arXiv · 机器人与计算机视觉· Dijia Zhan, Zhuo Li, Xuemiao Xu, Sun Zheng, Jinyi Li, Wenjun Wang, Jie Tang·· 2026-10-12精选AI 评分78
ReAT:用于自回归机器人策略的残差动作分词
ReAT: Residual Action Tokenization for Autoregressive Robot Policies
AI 导读
该论文介绍 Residual Action Tokenization (ReAT) 方法,通过利用解码重建结果作为反馈来构建下一个 token,使每个 token 在修正当前动作重建中发挥显式作用。
推荐理由
提出残差动作分词方法,在仿真与真实环境中提升自回归策略的任务成功率。
来源:arXiv · 机器人与计算机视觉 · arxiv.org