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
- 扑翼无人机在空军测试中被探测系统误判为鸟 — import_jmr · 2026-11-16
- Uber 在拉斯维加斯上线 Amazon 旗下 Zoox 无人驾驶出租车服务 — Polymarket · 2026-11-16
- 蚂蚁灵波具身大模型挑战赛收官:TARS战队48小时真机对决夺冠 — 新智元 · 2026-11-16
- 特斯拉 FSD 城市街道里程破 70 亿英里,四周新增约 5 亿 — XFreeze · 2026-11-16
- Ropedia 发布 Xperience 2:1500+ 真实场景扫描配第一人称演示 — liuziwei7 · 2026-11-16
- 杭州群核联合华测发布 3D 激光扫描仪 Aholo MS07 — teortaxesTex · 2026-11-16