ACT-Flow提出视觉插装在线学习框架

Yiqing Yuan 等提出 ACT-Flow，一个面向视觉插装任务的在线学习框架，将自适应动作分块 Transformer（ACT）与条件残差流策略耦合：锚点引导预热后，ACT 通过行为克隆吸收成功执行动作，残差目标相对更新后的先验重新计算，块级评论家依据成功与失败交互评估最终组合动作，其估计用于加权流匹配的残差候选。 论文报告，在初始化后 20,000 交互步的检查点上，五个任务的平均成功率为 66%，比最强基线高 18 个百分点；在相同检查点关闭残差后，ACT 的平均成功率从 76% 降至 16%。评论家候选打分仅限训练阶段，部署时仅使用 RGB 观测并对每个动作块采样一个残差。

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。