arXiv · cs.AI· Zhefei Gong, Hefeifei Jiang, Zehao Wang, Jiachen Li·· 6 小时前
HiRe-MoMa通过分层残差策略学习实现真实世界移动操作微调
Hierarchical Residual Policy Learning for Real-World Mobile Manipulation with Sparse Human Guidance
arXiv:2610.20607v1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：Zhefei Gong, Hefeifei Jiang, Zehao Wang, Jiachen Li
研究任务与主要进展
Zhefei Gong等提出HiRe-MoMa，用于复杂移动操作系统的真实机器人稳定、样本高效微调。其分层残差架构冻结基础策略，并将加性修正拆分为移动底盘和机械臂分支；结合稀疏人工引导的价值对齐，摘要称在TIAGo++平台上使用不足20%的训练覆盖、约30分钟在线交互即可持续提升任务表现。该内容仅依据论文摘要，尚不能核验完整实验细节。
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