Adapter Banks 学运动原语,NeurIPS 论文让泛化误差降一个量级
sreejan_kumar · x · 2026-09-25
Sreejan Kumar 与 Marcelo Mattar、Lea Duncker 合作的论文《Learning Options for Compositional Motor Control with Adapter Banks》被 NeurIPS 2026 接收。
- 核心思路:受神经科学理论启发(运动原语可能是共享循环网络的低秩扰动),提出一个端到端学习运动技能的新架构——共享循环核心加一组残差 adapter bank,由离散隐码选择。
- 涌现低秩:在闭环生物力学控制任务上训练后,adapter 无需显式秩约束就自发形成对循环动力学的低秩扰动,任务表征落在共享网络的不同子空间。
- 组合泛化:在冻结整个网络的前提下优化一个高层策略来排序 adapter,可生成分布外的新动作序列,泛化误差比任务输入条件化的多任务基线好最多一个数量级。
作者称这是其后续更大工作(「职业生涯最重要论文之一」)的前奏。
「具身」频道最新
- 迪士尼研究院分享机器人跳舞训练方法,月度机器人论文会亮点 — DominiqueCAPaul · 2026-09-25
- NVIDIA 推介 GPU 加速物理仿真,让机器人在虚拟世界先练后部署 — LexiLove · 2026-09-25
- 网友票选机器人公司人才密度:Physical Intelligence 居首 — ZeYanjie · 2026-09-25
- AMD 携手 Perplexity,在 Ryzen AI Halo 上打造便携 AI PC — AnushElangovan · 2026-09-25
- Google Glass 创始人：遮挡眼神交流是智能眼镜难成主流的根本错误 — Scobleizer · 2026-09-25
- 19 台宇树人形机器人上海同台 120 名舞者,万人工模式演出 — rohanpaul_ai · 2026-09-25