.png){kind=icon}
返回
Self-Evolved Imitation Learning in Simulated World
.png){kind=icon}
PRE
AI
DOI：10.1109/LRA.2026.3683594.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
模仿学习已成为近期趋势，但训练一个通用的多任务代理仍然需要大规模专家演示，而收集这些演示成本高昂且劳动密集。为解决监督数据有限的问题，我们提出了自演化模仿学习（SEIL）框架，通过模拟器交互逐步改进少样本模型。模型首先在模拟器中尝试任务，并将成功轨迹收集为新的演示用于迭代优化。为增强演示多样性，SEIL采用双层次增强：(i) 模型层次，使用指数移动平均（EMA）模型与主模型协作；(ii) 环境层次，引入初始物体位置的轻微变化。此外，我们引入了一个轻量级选择器，从生成池中筛选互补且信息丰富的轨迹以确保演示质量。这些精选样本使模型能够用远少得多的训练样例实现有竞争力的性能。在LIBERO基准上的大量实验表明，SEIL在少样本模仿学习方面达到了新的最佳性能，代码可在https://github.com/Jasper-aaa/SEIL.git获取。
Keyword:
Imitation learning
vision-language-action model
few-shot learning
期刊
I
IF:
5.3
论文数:
1.9K
被引数:
3.9W
机构
引用论文
.png){kind=icon}
分享收藏Revolutionizing surgery: AI and robotics for precision, risk reduction, and innovation革命性外科手术：人工智能和机器人技术用于提高精度、降低风险及推动创新
PREAI
分享收藏
查看更多内容