arXiv · cs.RO· Likui Zhang·· 4 天前精选AI 评分65
AtomicRL: 用于长时程机器人操作的原子强化学习
AtomicRL: Atomic Reinforcement Learning for Long-Horizon Robotic Manipulation
AI 导读
Likui Zhang提出AtomicRL框架，通过语义感知策略优化(SAPO)和瓶颈自适应目标探索(BATE)解决VLA模型在长时程任务中的信用分配问题。在LIBERO-LONG和CALVIN ABC-D数据集上，相比PPO方法分别提升3.6%和9.5%的性能，结合Real2Sim2Real管道后，实际机器人任务性能平均提升21.3%。
推荐理由
通过原子任务结构解决长时程机器人操作中的信用分配难题，Real2Sim2Real管道使仿真到现实迁移效率提升21.3%。
来源：arXiv · cs.RO · arxiv.org