ResMerge：冻结预训练策略上的可合并残差策略学习

Kefei Zhu 等作者提出 ResMerge 两阶段框架：在冻结的预训练机器人策略之上，用残差强化学习在适应阶段获取任务特定修正，无需额外专家演示，再通过参数空间合并整合兼容的残差以减少存储参数。作者同时提出 Residual-Field Consistency（RFC）指标，通过比较修正方向与幅度评估残差动作场空间的兼容性。 作者称，在 LIBERO 上跨两个骨干网络以及真实 Franka 机器人上的实验中，ResMerge 的持续学习表现优于强 PECFT 基线，选择性合并降低了残差参数占用。论文为 9 页预印本，代码与项目网站已给出；上述效果均为作者自述，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。