CHOP用反事实人类偏好标签改进导航避障
热点事件持续更新
CHOP用反事实人类偏好标签改进导航避障
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
Gershom Seneviratne等作者提出CHOP方法：对每个视觉观测，把机器人实际执行的轨迹与相同条件下的若干反事实轨迹并列，由人类标注者按碰撞风险、路径效率等预期结果给出两两偏好，再用汇总偏好微调视觉运动导航策略。 作者报告，在SCAND数据集上，多个先进模型经CHOP微调后，相比各自预训练基线，近碰撞事件平均减少49.7%，与人类偏好轨迹的偏差降低45.0%，平均障碍间距增加19.8%。在Ghost Robotics Vision60四足机器人实机部署中，对齐后的策略平均目标成功率提升24.4%，最小障碍间距增加6.8%，碰撞与干预事件减少45.7%，归一化路径完成度提升38.6%。 该工作以arXiv预印本发布，上述数字均为作者自报结果，尚待同行评议与独立验证。
AI 根据报道生成 · 2 小时前更新
最新进展11月2日 13:00
CHOP：用反事实人类偏好标签提升视觉运动导航策略避障表现报道时间线
沿着报道，了解事件的不同侧面。
11月2日
- arXiv · cs.RO精选CHOP：用反事实人类偏好标签提升视觉运动导航策略避障表现
CHOP 提出用反事实人类偏好标签对齐视觉运动导航策略：对每个视觉观测，把机器人实际执行的轨迹与若干在相同条件下可能采取的反事实轨迹放在一起，由人类标注者依据碰撞风险和路径效率等预期结果给出两两偏好，再用汇总偏好微调策略。在 SCAND 数据集上，多个先进模型经 CHOP 微调后，近碰撞事件平均减少 49.7%，与人类偏好轨迹的偏差降低 45.0%，平均障碍间距增加 19.8%。在 Ghost Robotics Vision60 四足机器人实机部署中，对齐后的策略平均目标成功率提升 24.4%，最小障碍间距增加 6.8%，碰撞与干预事件减少 45.7%，归一化路径完成度提升 38.6%。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。