RoboSSM 用状态空间模型做上下文模仿学习,机器人测试时无需微调即可进步
yifengzhu_ut · x · 2026-09-28
UT Austin 等机构研究者（Youngju Yoo、Peter Stone 等）提出 RoboSSM，一种基于状态空间模型（SSM）的可扩展上下文模仿学习方法（ICIL）。
- 核心思路：机器人只需少量演示作为提示即可学会新任务，且在部署/测试时看到更多示例就能持续改进，无需回到 GPU 重新微调。
- 技术要点：用 SSM「Longhorn」替代 Transformer，获得线性时间推理和更强的长上下文外推能力，解决了 Transformer ICIL 在长提示下性能下降的问题。
- 实验结果：在 LIBERO 基准上，对未见任务和长时程任务的泛化均优于基于 Transformer 的 ICIL 方法，首次证明 SSM 是高效可扩展的 ICIL 骨干。
- 论文已被 IROS 2026 接收，代码已开源。
「具身」频道最新
- 单片晶圆量产数百万微型机器人：可动、可思考、可通信 — BlackHC · 2026-09-28
- 训练 EEG 基础模型,搭配 50 美元设备做脑机接口游戏 — melnykowycz · 2026-09-28
- 把 1999 年《过山车大亨》搬上空间计算：体素重建+手势交互 — stspanho · 2026-09-28
- 通用人形机器人有多远?行业分歧:action 数据才是真瓶颈 — Scobleizer · 2026-09-28
- 伯克利 TRACE:机器人双向追踪搞定数据中心同色线缆 — berkeley_ai · 2026-09-28
- macOS 27 测试版现触控调试地图,触屏 MacBook 传闻再添实证 — stephancasas · 2026-09-28