带混合密度头的液体网络用于高效模仿学习
机器学习
2026-03-31 v1 机器人学
摘要
我们在共享骨干网络的比较协议下，将液体神经网络与混合密度头同扩散策略在 Push-T、RoboMimic Can 和 PointMaze 上进行了对比，该协议在匹配输入、训练预算和评估设置下隔离了策略头效应。在各项任务中，液体策略使用的参数量约为后者的一半（4.3M 对 8.6M），离线预测误差降低 2.4 倍，推理速度快 1.8 倍。在涵盖 1% 至 46.42% 训练数据的样本效率实验中，液体模型始终更为稳健，在低数据和中等数据场景下提升尤为显著。Push-T 和 PointMaze 上的闭环结果与离线排序方向一致但噪声更大，表明强离线密度建模有助于部署但并不能完全决定闭环成功。总体而言，液体循环多模态策略为模仿学习中的迭代去噪提供了一种紧凑且实用的替代方案。
引用
@article{arxiv.2603.27058,
title = {Liquid Networks with Mixture Density Heads for Efficient Imitation Learning},
author = {Nikolaus Correll},
journal= {arXiv preprint arXiv:2603.27058},
year = {2026}
}