HiRe-MoMa 移动操作真实世界微调框架

2026年10月15日，arXiv Robotics 刊出 Zhefei Gong 等作者的论文，提出 HiRe-MoMa（Hierarchical Residual Mobile Manipulation）分层残差框架，用于复杂移动操作（MoMa）系统的稳定、样本高效的真实世界微调。该框架冻结基础策略并学习加性修正，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；同时提出专家引导价值对齐，利用训练覆盖率低于 20% 的稀疏人工干预重塑 critic 的价值景观。论文称在 TIAGo++ 平台上的大量真实世界实验显示，仅约 30 分钟在线交互即可持续提升任务表现，且不依赖基础策略架构。目前该事件仅有这一篇主报道，尚无后续跟进报道，因此上述覆盖率、交互时长与平台结论均限于该论文所述实验条件。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。