SCRIM：量化模仿学习中的状态关键性

研究者提出 SCRIM（State CRIticality Measure），用于估计模仿学习中每个演示状态的关键性分数：通过训练对抗扰动策略与价值评论器，绕开固定的模仿策略来量化状态重要性，再据此对行为克隆损失重新加权，并筛选出紧凑的高价值演示子集。 该方法在多种仿真与真实机器人操作任务上验证。据论文称，模仿学习通常将所有演示状态同等对待，但少数关键状态下微小动作偏差即可导致任务失败，SCRIM 正是针对这一问题的度量。该论文已被 CoRL 2026 接收。

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。