USC 团队开源 CLAM:从无标注演示学机器人策略,成功率提升 2-3 倍
ebiyik_ · x · 2026-09-30
- 南加州大学团队在 IROS 2026 发布 CLAM(Continuous Latent Action Models),一种从无标注观察数据中学习机器人策略的可扩展方法,代码与论文已开源。
- 背景问题:从演示学习控制策略通常需要动作标注的专家数据,遥操作采集成本高。CLAM 研究更现实的设定——专家演示只有观察序列没有动作标签,仅任务无关的 play 数据含动作。
- 方法:用自监督动力学预测在相邻观察之间推断连续潜在动作;再用少量 play 数据联合训练动作解码器,把潜在动作落地为可执行电机指令。实验证明连续潜在动作 + 联合训练对高维连续控制缺一不可。
- 结果:在 DMControl 运动、MetaWorld 操作和真实 WidowX 机器人任务上,CLAM 平均任务成功率比此前潜在动作基线提升 2-3 倍,接近用特权专家动作标签训练的行为克隆。
- 结论:无需采集专家动作标注数据,也能从无标注演示学到可部署到真实硬件的有效策略。
「具身」频道最新
- CrossBFM:多人形机器人共享行为空间,训练成本从数百 GPU 时降到 1 小时内 — Tan-Dzung Do · 2026-09-30
- 上海 AI Lab 发布 Real2Gym:从视频自动搭建可交互训练场,真机成功率超 GPT 33% — Shanghai-AI-Laboratory · 2026-09-30
- 机器人上下文学习综述:四类方法接口与通往物理递归自我改进的路线 — Knowin · 2026-09-30
- RobotGym 开放物理仿真 MCP:1246 个环境、9 万物体、免费 GPU — rocky_mountain12 · 2026-09-30
- NVIDIA 工程副总裁用 Codex 加 GPT 驱动机器人仿真,人人可建“时间机器” — RevLebaredian · 2026-09-30
- IROS 2026 现可拥抱的人形机器人 Baymax 亮相 — CyberRobooo · 2026-09-30