提出HiRe-MoMa移动操作残差微调框架

Zhefei Gong 等提出 HiRe-MoMa（Hierarchical Residual Mobile Manipulation），一个针对复杂移动操作系统的真实世界微调框架，旨在对真实机器人实现稳定且样本高效的策略微调。 方法上，该框架冻结基础策略，用分层残差架构学习加性修正，并将修正拆分为移动底盘和机械臂两个分支；同时采用稀疏人工引导的价值对齐，人工干预覆盖低于20%的训练数据，用于重塑 critic 的价值分布。作者称该方法对基础策略架构不敏感。 论文摘要称，在 TIAGo++ 平台上的真实世界实验中，HiRe-MoMa 仅用约30分钟在线交互即可持续提升任务表现。此内容目前仅依据论文摘要，完整实验细节尚无法核验。

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。