SPAR：用搜索训练排序器提升推动动作搜索效率

Dhruv Metha Ramesh 等提出 SPAR（Search-trained Push Action Ranker），从模拟搜索结果中学习为推动原语排序，以缓解可移动障碍物间导航（NAMO）中候选动作序列随长度指数增长的问题。 在 300 个模拟两推动 keyhole 问题的成功运行中，SPAR Search 相比 Random Search 将中位模拟器调用减少 7.0 倍，规划时间减少 3.8 倍；同一排序器无需重训练即可用于 600 个两推动内无解的 keyhole 问题。真机实验中，SPAR Policy 在无物理数字孪生条件下成功 37/40 次，SPAR Search 为 33/40，Random Search 为 27/40。

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。