.png){kind=icon}
返回
MSG: Multi-Stream Generative Policies for Sample-Efficient Robotic Manipulation
.png){kind=icon}
PRE
AI
DOI：10.1109/LRA.2026.3682566.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
生成式机器人策略（如Flow Matching）提供了灵活的多模态策略学习，但样本效率低。虽然基于对象中心的策略提高了样本效率，但这并未解决这一局限性。在这项工作中，我们提出了多流生成策略（MSG），一种推理时组合框架，通过训练多个基于对象中心的策略并在推理时组合它们来提高泛化能力和样本效率。MSG与模型无关且仅用于推理，因此可广泛应用于各种生成策略和训练范式。我们在模拟和真实机器人上进行了大量实验，证明我们的方法能够从最少五个示教中学习高质量的生成策略，使示教数量减少95%，并且相比单流方法提高了89%的策略性能。此外，我们针对不同的组合策略进行了全面的消融研究，并提供了部署方面的实用建议。最后，MSG实现了零样本对象实例迁移。
Keyword:
Imitation learning
learning from demonstration
deep learning in grasping and manipulation
期刊
I
IF:
5.3
论文数:
1.9K
被引数:
3.9W
机构
引用论文
3D Diffusion Policy: Generalizable Visuomotor Policy Learning via Simple 3D Representations3D扩散策略: 通过简单的3D表示进行可概括的可视化运动策略学习.png)
IF0
PREAI
分享收藏The Treachery of Images: Bayesian Scene Keypoints for Deep Policy Learning in Robotic Manipulation
PREAI
分享收藏
查看更多内容