跳到正文
arXiv · 机器人与计算机视觉· Chang Liu, Sibo Tian, Litian Gong, Zhiwen Fan, Jiachen Li, Xiao Liang, Minghui Zheng·· 2026-10-15AI 评分68

PACER:基于人类修正的过程感知 VLA 策略学习用于机器人拆解

PACER: Process-Aware VLA Policy Learning from Human Corrections for Robotic Disassembly

AI 导读

针对机器人拆解末态产品需适应变异、遵循先决序列及精确接触的挑战,现有监督微调数据难以覆盖环境变化与不确定性。本文提出 PACER 框架,利用策略自身的尝试记录与人类的错误修正经验,通过基于进度和来源/结果的证据重加权机制优化 SFT 损失。该方法在 UR5e 母板上五类组件的拆解基准测试中,成功接近并移交次数达到 87/100,优于普通监督微调后的 54/100。

来源:arXiv · 机器人与计算机视觉 · arxiv.org