作者提出ENAP神经符号模仿学习框架

Yiyuan Pan 等作者提出 ENAP（Emergent Neural Automaton Policy）神经符号模仿学习框架：用自适应聚类和 L* 算法的扩展，从示教中学习 Mealy 状态机作为可解释的高层规划器，再由该离散结构引导低层反应式残差网络，通过行为克隆学习连续控制。 作者称，在低数据条件下，ENAP 比当前端到端视觉-语言-动作（VLA）策略的性能高出至多 27%；ENAP 还能从预训练 VLA 的潜空间中提取任务结构，在 CALVIN 基准上以少 39% 的参数超过该 VLA。这些比较结果均为作者自述。

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。