I3L提出迭代交互模仿学习系统，提升全身移动操作成功率

Wensi Ai等作者提交预印本论文，提出I3L系统，将全身纠错与迭代策略精炼结合，以缓解离线模仿学习策略在长程全身移动操作中的分布外退化。其低成本开源JoyLo+接口通过策略跟踪主臂与触控接管，实现对臂、躯干和底座的协同纠错，并支持迭代部署与重训练。 作者在三种机器人本体、八个仿真与真实任务（含四个长程全身移动操作任务）上评估。受控仿真显示，四轮HG-DAgger在两个任务上最终成功率最高；该协议下I3L相比基础策略平均提升自主成功率68.3个百分点，每个任务至少达到90%，在相同训练轨迹数下比仅用示范训练平均高35.6个百分点，四轮后每回合接管时长平均下降72%。上述结果来自预印本，尚未经同行评议或独立验证。

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。