New framework audits robot demonstration data for instruction-trajectory mismatches

研究人员开发了一个名为多模态概率融合（MMPF）的新框架，用于审计和纠正机器人演示数据集中细微的错误。这些错误被称为指令-轨迹不匹配（ITMs），当正确的机器人运动与不正确的语言指令配对时发生，可能破坏视觉-语言-动作策略的学习过程。MMPF将每种数据模态视为一个专家，估计任务标签分布，并使用预测熵加权融合这些模态，以提高检测和纠正的准确性。在LIBERO基准和真实机器人数据上的实验表明，MMPF在识别ITMs和增强下游策略学习方面是有效的，特别是在需要语言进行消歧的任务中。 AI

影响 提高了机器人训练数据的可靠性，可能带来更强大、更准确的机器人系统。

排序理由 该条目是发表在arXiv上的研究论文，详细介绍了一个用于审计机器人演示数据集的新框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• Influence Flower
• Instruction-Trajectory Mismatches
• LIBERO
• ScienceCast

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →