SR-DP多任务扩散策略论文被RA-L接收

Mingcong Li等作者提出SR-DP（Spectrally Routed Diffusion Policy）多任务扩散策略，论文已被IEEE Robotics and Automation Letters（RA-L）接收。该方法针对多任务联合训练时单一模型不如单任务专家的问题：先用冻结的VGGT编码器加空间压缩适配器生成多尺度语义-几何token作为视觉条件，再按标准扩散策略训练去噪器，随后用SVD将选定线性层分解为冻结的正交秩一专家基，通过光谱路由与Householder输入旋转进行适配。 作者报告，在六个RoboTwin任务上SR-DP平均成功率68.4%，比多任务VO-DP高21.8个百分点，比最强单任务基线高3.8个百分点；在四个真实双臂任务上，Stage 2平均成功率43.0%，比Stage 1提升19.0个百分点。上述数字均为作者自报，尚未见独立复现。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。