arXiv Robotics· Sungjun Heo, Sungjun Yang, Heedon Jeong, Junhyoung Ha, Jeong hwan Jeon·· 5 小时前AI 评分31
MoE-DAgger：面向分阶段操作中选择性人工纠正的过渡感知路由熵门控
MoE-DAgger: Transition-Aware Router-Entropy Gating for Selective Human Correction in Phase-Structured Manipulation
AI 导读
MoE-DAgger 利用因果路由历史区分正常相邻阶段切换与异常高熵，在匹配的主动人工控制预算下于 Green 任务取得 84.0%、Red 任务 78.0% 的任务成功率，分别比不考虑阶段的过滤熵方法高 22 和 26 个百分点，每个任务 50 次 rollout 未观察到碰撞。
推荐理由模型分析
针对分阶段操作中DAgger难以判断何时请求人工纠正的问题，作者用因果路由历史区分正常相邻阶段切换与异常高熵，避免把阶段标签或进度变量喂给策略。在相同人工控制预算下，该方法任务成功率比相位无关的过滤熵高22和26个百分点，并给出与时间动作块分歧、集成分歧的失败轨迹命中对比。做机器人模仿学习与人在回路数据采集的研究者可据此评估干预分配策略，但结论限于其两项任务与50次rollout的实验条件。
来源：arXiv Robotics · arxiv.org