跳到正文
arXiv · 机器人与计算机视觉· Ralf R\"omer, Maximilian Seeliger, Saida Liu, Ben Sturgis, Marco Bagatella, Daniel Marta, Andreas Krause, Angela P. Schoellig·· 2026-10-05AI 评分73

基于速度场分歧的流式通用机器人策略不确定性量化方法

Uncertainty Quantification for Flow-Based Generalist Robot Policies

AI 导读

针对通用机器人策略缺乏置信度量化机制的问题,本文提出利用小集成模型的速度场分歧(VFD)来高效量化认知不确定性。实验表明,该方法能更准确地预测下游性能并检测故障,准确率比现有方法高 8 个百分点;提出的 SAVE 方法结合不确定性引导的主动多任务微调,在固定演示预算下将三个真实任务的平均成功率从 39% 提升至 47%。

来源:arXiv · 机器人与计算机视觉 · arxiv.org