RIFAR：可靠性与遗忘感知回放提升持续机器人学习

RIFAR 提出一种面向持续机器人学习的回放方法，将可靠性筛选与漂移感知回放选择结合：用冻结的逆动力学模型评估动作与视觉一致性，并通过比较适配前后动作预测的归一化漂移来重选轨迹。 在三个 LIBERO 套件和真实世界实验中，该方法超过此前基于 WAM 生成式回放的 SOTA，在 LIBERO-Goal 上取得 90.97 AUC，每任务仅保留 320 个历史时间步，约为 50 次演示回放所用步数的 4.9%。

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。