论文页面 - PoLAR：将潜在动作中的变化程度与变化模式分离以进行机器人策略学习

来源：https://huggingface.co/papers/2606.21139

摘要

PoLAR 在双曲空间中引入了一种几何结构化的潜在动作表示，将过渡变化程度与过渡变化模式分离，从而提升机器人策略学习性能。

潜在动作预训练（https://huggingface.co/papers?q=Latent%20action%20pretraining）通过观察对学习视觉变化的表示，但现有方法通常将每次过渡编码为一个单一的非结构化表示，该表示纠缠了过渡变化程度（https://huggingface.co/papers?q=transition%20extent）和过渡变化模式（https://huggingface.co/papers?q=transition%20mode）。我们引入了具有径向结构（https://huggingface.co/papers?q=Radial%20structure）的极坐标潜在动作（https://huggingface.co/papers?q=Polar%20Latent%20Actions）（PoLAR），它对潜在动作施加了径向-方向结构，促使半径编码过渡变化程度（https://huggingface.co/papers?q=transition%20extent），而方向保留过渡变化模式（https://huggingface.co/papers?q=transition%20mode）。PoLAR 利用两个观测之间的时间偏移（https://huggingface.co/papers?q=temporal%20offset）作为过渡变化程度（https://huggingface.co/papers?q=transition%20extent）的弱代理，使时间间隔更大的观测对对应的潜在动作占据更大的半径。我们在双曲空间（https://huggingface.co/papers?q=hyperbolic%20space）中实例化该结构，其半径随距离增大而扩展的体积为更大变化程度下的更多样化过渡变化模式（https://huggingface.co/papers?q=transition%20mode）提供了自然适配。在任务内和大规模预训练设置中，PoLAR 在仿真和真实机器人实验中提升了下游策略性能（https://huggingface.co/papers?q=downstream%20policy%20performance），优于潜在动作基线和强大的预训练 VLA。这些结果表明，潜在动作空间的几何结构是将视觉预训练（https://huggingface.co/papers?q=visual%20pretraining）迁移到下游机器人策略学习的一个重要设计选择。

查看 arXiv 页面（https://arxiv.org/abs/2606.21139）查看 PDF（https://arxiv.org/pdf/2606.21139）项目页面（https://joon-stack.github.io/PoLAR）GitHub0（https://github.com/joon-stack/PoLAR）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.21139）

在您的中使用此论文：

hf papers read 2606\.21139

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接到此论文

在模型 README.md 中引用 arxiv.org/abs/2606.21139 即可从本页链接到该模型。

引用此论文的数据集0

没有数据集链接到此论文

在数据集 README.md 中引用 arxiv.org/abs/2606.21139 即可从本页链接到该数据集。

引用此论文的 Spaces0

没有 Space 链接到此论文

在 Space README.md 中引用 arxiv.org/abs/2606.21139 即可从本页链接到该 Space。

包含此论文的收藏0

没有收藏包含此论文

将此论文添加到收藏（https://huggingface.co/new-collection）即可从本页链接到该收藏。