SPEAR：VLM引导机器人操作的偏好获取框架
热点事件历史事件
SPEAR：VLM引导机器人操作的偏好获取框架
1 篇报道1 个报道来源3 天前更新
先了解这件事
报道摘要
SPEAR 通过可区分性感知的查询选择与自适应奖励过渡，把 VLM 变成高效的偏好预言机，在操作基准上取得 88.9% 平均成功率，比基线高 23.3 个百分点。该框架显著降低 VLM 弃答率与训练实际耗时，并在真实硬件上完全在线学习三项 Mobile ALOHA 操作任务。
摘自 arXiv cs.RO
最新进展10月16日 12:00
SPEAR：面向 VLM 引导机器人操作的选择性偏好 elicitation 与自适应奖励框架报道时间线
沿着报道，了解事件的不同侧面。
10月16日
- arXiv cs.ROSPEAR：面向 VLM 引导机器人操作的选择性偏好 elicitation 与自适应奖励框架
SPEAR 通过可区分性感知的查询选择与自适应奖励过渡，把 VLM 变成高效的偏好预言机，在操作基准上取得 88.9% 平均成功率，比基线高 23.3 个百分点。该框架显著降低 VLM 弃答率与训练实际耗时，并在真实硬件上完全在线学习三项 Mobile ALOHA 操作任务。