arXiv · cs.AI· Youngjoon Jeong, Jihwan Yu, Minsoo Jo, Junha Chun, Taesup Kim·· 5 小时前
PoLAR：将潜在动作中的幅度与模式因子化用于机器人策略学习
PoLAR: Factorizing Extent and Mode in Latent Actions for Robot Policy Learning
arXiv:2606.21139v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Youngjoon Jeong, Jihwan Yu, Minsoo Jo, Junha Chun, Taesup Kim
研究任务与主要进展
基于论文摘要，Jeong等人提出PoLAR，将潜在动作组织为幅度与模式的分解表示。方法以观测间时间偏移弱表示变化幅度，并在双曲空间中利用半径编码幅度、方向保留变化模式；作者称其在任务内学习、大规模预训练、模拟和真实机器人实验中提升了下游策略表现，超过潜在动作基线和预训练VLA。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org