arXiv · cs.AI· Wensi Ai, Christopher Luey, Karthik Dharmarajan, Evans Han, Yunfan Jiang, Stef Ren, Jianwen Xie, Jiajun Wu, Li Fei-Fei, Ruohan Zhang·· 11 小时前
I3L：用于全身移动操作的迭代交互式模仿学习
I3L: Iterative Interactive Imitation Learning for Whole-Body Mobile Manipulation
arXiv:2610.17748v1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：Wensi Ai, Christopher Luey, Karthik Dharmarajan, Evans Han, Yunfan Jiang, Stef Ren, Jianwen Xie, Jiajun Wu, Li Fei-Fei, Ruohan Zhang
研究任务与主要进展
研究团队提出 I3L，将全身纠错与迭代式策略改进结合，用于提升长时程全身移动操作中离线示范策略的部署可靠性。系统采用开源低成本 JoyLo+ 接口，通过策略跟踪机械臂和触摸触发接管支持协调纠错；在受控仿真实验中，四轮 HG-DAgger 相比基线策略平均提升自主成功率68.3个百分点，相比相同训练轨迹数的仅示范训练平均高35.6个百分点，并使每集接管时长平均减少72%。
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