DARE：回溯校正预测长时程扰动，用于密集堆叠取物

Jiwoong Choi、Haoyu Li、Yiwei Lyu 提出 DARE（Disturbance-Aware REtrieval），一个几何感知的关系动力学框架，用回溯校正提升密集堆叠取物场景下的长时程扰动预测。它编码紧凑物体描述符，通过物体级消息传递预测动作条件下的扰动传播；当观测稀疏时，学习到的校正器用预测偏差修正先前预测状态并重跑中间动力学，把校正沿预测接触链传播。这些预测驱动滚动时程规划器，在取物进度与周围物体位移、旋转之间权衡，允许必要接触而抑制有害扰动。 作者称在平面环境与 RoboCasa 环境中评估了长时程预测、泛化性与鲁棒性。论文共 8 页、8 图、1 表，投稿 ICRA 2027，为 arXiv 预印本，尚未经同行评议，也未提及实机验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。