研究人员开发了一种名为DRIVE（Diversity-driven RL fIne-tuning for VLA gEneralization）的新方法，以提高视觉-语言-动作（VLA）策略的泛化能力。该技术利用强化学习显式地鼓励成功轨迹的多样性，而不是仅仅优化成功本身。在LIBERO-Plus、ManiSkill3和RoboTwin 2.0等基准测试上的实验表明，DRIVE平均将域外性能提高了5.3个百分点。在AgileX PiPER-X物理机器人平台上进行测试时，DRIVE将成功率从64.1%提高到73.3%。 AI
影响 增强了AI策略的泛化能力，有望在实际应用中带来更强大、更具适应性的机器人系统。
排序理由 该集群包含一篇详细介绍改进AI策略泛化能力新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
- AgileX PiPER-X
- arXiv
- DRIVE
- LIBERO-Plus
- ManiSkill3
- reinforcement learning
- RoboTwin 2.0
- Vision-language-action policies
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
