跳到正文
arXiv · 机器人与计算机视觉· Qian Luo, Ruizhe Liu, Pei Zhou, Xunzhe Zhou, Yanchao Yang·· 9 天前AI 评分42

Geometric Entropy:轨迹多样性在模仿学习中的双面效应与度量方法

Geometric Entropy: When Trajectory Diversity Helps and Hurts in Imitation Learning

AI 导读

研究提出几何熵(H_G)这一任务无关指标,量化去除目标位姿等外在变化后的内在轨迹多样性。实验发现成功率与 H_G 呈倒 U 型关系,适度多样性提升鲁棒性但过高会导致策略模糊;随着数据增加或任务掌握度提高,最优熵值向更低水平偏移。该度量可用于演示数据集的快速预训练审计及校准指南。

来源:arXiv · 机器人与计算机视觉 · arxiv.org