DETACH：基于解缠专家混合的跨域长期任务学习
机器人学
2025-09-23 v2 人工智能
摘要
人类-场景交互（Human-Scene Interaction, HSI）中的长期任务（Long-Horizon, LH）是需要持续规划、顺序决策和跨域扩展执行以实现最终目标的复杂多步骤任务。然而，现有方法过度依赖通过串联预训练子任务来实现技能链接，环境观察与自身状态紧密耦合，缺乏对新环境与技能组合的泛化能力，难以跨域完成各种 LH 任务。为此，本文提出了 DETACH——一种通过双流解缠实现的跨域学习框架，用于 LH 任务。灵感来自大脑“where-what”双通路机制，DETACH 包含两个核心模块：i) 环境学习模块用于空间理解，捕获物体功能、空间关系和场景语义，通过完成环境-自身解缠实现跨域迁移；ii) 任务执行学习模块处理自身状态信息，包括关节自由度和运动模式，通过独立的运动模式编码实现跨技能迁移。我们在各种 HSI 场景中的 LH 任务上进行了大量实验。与现有方法相比，DETACH 在子任务成功率上实现平均提升 23%，在执行效率上实现平均提升 29%。
引用
@article{arxiv.2508.07842,
title = {DETACH: Cross-domain Learning for Long-Horizon Tasks via Mixture of Disentangled Experts},
author = {Yutong Shen and Hangxu Liu and Lei Zhang and Penghui Liu and Ruizhe Xia and Tianyi Yao and Tongtong Feng},
journal= {arXiv preprint arXiv:2508.07842},
year = {2025}
}
备注
14 pages,8 figures. Submitted to ICRA'26