提出具身分类器引导，免示教迁移冻结VLA到新本体

Devin Han、Hershraj Niranjani 提出 Embodiment-Classifier Guidance 方法：训练一个轻量级本体分类器区分源本体与目标本体上的成功动作块，再用分类器梯度在去噪步骤中引导冻结的 π0 策略，使其在不加示教、不更新参数的情况下迁移到新机器人本体。 在 LIBERO 仿真基准、四种改造控制器上，该引导把 π0 在目标本体上的平均成功率从 72% 提升到 80%（12 组套件-控制器配对）；用引导得到的成功样本重训分类器，成功率从 52.5% 升到 70.7%。但引导在弱腕关节上效果不一，在腕关节锁死时有害——分类器缺少数据或偏好不可行动作时会出现这种情况。作者称该方法在仿真中数据高效，每个任务只需少量目标本体 rollout，因此对 rollout 昂贵的 sim-to-real 迁移有潜力。

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。