.png){kind=icon}
返回
ESPADA: Execution Speedup via Semantics Aware Demonstration Data Downsampling for Imitation Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/lra.2026.3703986.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于行为克隆的视觉运动策略能够实现精确操作，但往往会继承人类演示中缓慢、谨慎的节奏，限制了实际部署。然而，关于加速方法的前期研究主要依赖统计或启发式线索，忽略了任务语义，且可能在多样化的操作设置中失效。我们提出了ESPADA，一种具有语义和空间感知的框架，该框架使用VLM-LLM流水线结合3D夹持器-物体关系对演示进行分段，能够在非关键段中实现激进的下采样，同时保留精度关键阶段，无需额外数据或架构修改，也无须任何形式的再训练。为从单个标注片段扩展到完整数据集，ESPADA通过在仅动态特征上应用动态时间规整（DTW）传播分段标签。在ACT和DP基准测试的模拟和真实世界实验中，ESPADA实现了约2倍的加速，同时保持成功率，缩小了人类演示与高效机器人控制之间的差距。
Keyword:
Grippers
Labeling
Modeling
Entropy
Robots
Large language models
Semantics
Learning from demonstration
imitation learning
dexterous manipulation
deep learning in grasping and manipulation
semantic scene understanding
期刊
I
IF:
5.3
论文数:
1.9K
被引数:
3.9W
机构
引用论文
暂无论文信息