breadth-first search

新的强化学习方法通过缺失传感器数据增强机器人模仿学习能力

研究人员开发了RL4IL，这是一种新颖的模仿学习方法，专为能够鲁棒地处理缺失传感器数据的机器人系统而设计。这种强化学习引导的方法可以从训练库中识别最相关的专家演示，并使用软融合技术来聚合它们的动作信号。RL4IL的独特之处在于，它可以通过使用专门的强化学习检索策略来选择供体演示并重构嵌入（通过交叉注意力），从而在无需重新训练的情况下推断缺失的模态。在LIBERO基准套件上的实验表明，在传感器丢失条件下，性能显著优于现有方法。