arXiv Robotics· Zhefei Gong, Hefeifei Jiang, Zehao Wang, Jiachen Li·· 4 小时前AI 评分27
HiRe-MoMa：面向真实世界移动操作的分层残差策略学习框架
Hierarchical Residual Policy Learning for Real-World Mobile Manipulation with Sparse Human Guidance
AI 导读
HiRe-MoMa 是一个面向复杂移动操作（MoMa）系统的分层残差框架，通过冻结基础策略并学习加性修正来实现稳定的真实世界微调，其分层解耦将残差拆分为移动底座与机械臂两个头以缓解梯度干扰。该方法提出专家引导价值对齐，利用覆盖率低于 20% 的稀疏人工干预重塑 critic 价值景观。在 TIAGo++ 平台上，仅约 30 分钟在线交互即可稳定提升任务表现，且不依赖基础策略架构。
来源：arXiv Robotics · arxiv.org