HiRe-MoMa移动操作分层残差框架论文发布

Zhefei Gong 等人发表论文，提出面向真实世界移动操作（MoMa）系统的分层残差策略学习框架 HiRe-MoMa。该框架冻结基础策略并叠加策略无关残差，通过移动底座与机械臂头的分层解耦缓解梯度干扰。 论文称，其专家引导价值对齐方法利用覆盖率低于 20% 的稀疏人工干预重塑 critic 价值分布；在 TIAGo++ 平台上仅需约 30 分钟在线交互即可稳定提升任务表现，且不受基础策略架构限制。上述效果为论文所报告，尚待独立验证。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。