NYU 提出时序流策略 TFP:让机器人记忆按物理时间演化,真实任务时序成功率更高
newyorkuniversity · hf · 2026-10-15
NYU 团队指出机器人策略记忆的缺失维度——物理时间:相同观测历史可能跨越不同时长、需要不同动作,而现有记忆机制把每次更新视为等量时间。
- 提出时序流策略(TFP):学习记忆动态以保留历史事件,并按实测时间间隔演化记忆状态;elapsed time 决定状态推进的距离。
- TFP 通过该记忆状态条件化扩散/流匹配策略,用原生模仿学习目标训练,实测结合 Diffusion Policy 与 π0.5。
- 与同间隔配置的循环/状态空间记忆及门控变体相比平均成功率更高;记忆读出可恢复事件经过时间与遮挡后的运动信息,改变输入间隔会系统性提前或延后动作。
- 在需要计时或记忆的真实机器人任务及 LIBERO 评测中验证有效。结论:机器人记忆应被视为随物理时间演化的状态,而非存储的观测历史。
「具身」频道最新
- MimicX 用策略执行反馈修正人形训练:跟踪误差降 25.7% — Shuaijun Liu · 2026-10-15
- Gracia 推新世界模型，主打 Real2Sim2Real 与物理 AI — jonstephens85 · 2026-10-15
- Niantic Spatial 借 Pokémon Go 海量影像做出 VPS，日本开发者已复刻原型 — jonstephens85 · 2026-10-15
- RoboParty 发布 RP1:全栈开源人形机器人平台 — GuanyaShi · 2026-10-15
- 港中文等发布 Agentic Robots 综述:模型/数据/环境/框架四大域 17 类全景 — Chonghan Qin · 2026-10-15
- SNU 发布 HumanoidToolBench:18 任务评测人形机器人工具使用,真实 G1 数据 3.1k — snupilab · 2026-10-15