通过自适应经验选择与动态想象实现空间泛化的移动操作
机器人学
2026-01-22 v1
摘要
移动操作(MM)涉及跨多阶段异质技能组合(如导航和拾取物体)的长时域决策。尽管近期取得了进展，现有MM方法仍面临两个关键限制：(i) 样本效率低，由于长期MM交互中产生的冗余数据利用效率低下；(ii) 空间泛化能力差，因为针对特定任务训练的策略难以在无需额外训练的情况下迁移到新的空间布局。在本文中，我们通过自适应经验选择(AES)和基于模型的动态想象来应对这些挑战。具体而言，AES使MM智能体更关注长轨迹中影响任务成功的关键经验片段，从而改进技能链学习并缓解技能遗忘。基于AES，我们引入循环状态空间模型(RSSM)用于模型预测前向规划(MPFP)，通过捕捉移动基座与机械臂之间的耦合动力学并想象未来操作的动力学。基于RSSM的MPFP能够强化当前任务上的MM技能学习，同时实现对新的空间布局的有效泛化。跨不同实验配置的比较研究表明，我们的方法显著优于现有MM策略。真实世界实验进一步验证了我们方法的可行性和实用性。
引用
@article{arxiv.2601.14649,
title = {Spatially Generalizable Mobile Manipulation via Adaptive Experience Selection and Dynamic Imagination},
author = {Ping Zhong and Liangbai Liu and Bolei Chen and Tao Wu and Jiazhi Xia and Chaoxu Mu and Jianxin Wang},
journal= {arXiv preprint arXiv:2601.14649},
year = {2026}
}