@HaiyuWu1:- 论文分享 LeWM 现在可以处理多任务了!怎么做?将正则化损失(例如 SIGReg 和 VISReg)应用于时间…

X AI KOLs Timeline 论文

摘要

一篇论文介绍了 TC-LeWM,将 SIGReg 和 VISReg 等正则化损失应用于时间潜在残差,使 LeWM 能够进行多任务学习,显著提高了 LIBERO 机械臂基准上的成功率。

- 论文分享 LeWM 现在可以处理多任务了! 怎么做?将正则化损失(例如 SIGReg 和 VISReg)应用于时间潜在残差,仅此而已! 这一设计背后的原理相当有见地: 来自多个任务的样本应该共享相同的潜在空间,但不应该被迫服从相同的分布。 该论文表明,直接约束编码后的时间嵌入会破坏每个任务应保留的分布。 他们在 LIBERO 数据集上跨 10 个任务进行了方法比较。结果非常强劲: Raw LeWM --- 44.4 TC-LeWM --- 73.5(+29.1) 平均而言,TC-LeWM 显著提高了这些任务的成功率。 我的想法: 这种方法解决的问题比他们声称的更多。抓取(Gripping)被认为是 Raw LeWM 的一个困难规划问题,但 TC-LeWM 在这个机械臂数据集上显著提高了成功率。他们的方法更关注转移状态中的实际差异,这增强了动作的重要性。
查看原文
查看缓存全文

缓存时间: 2026/08/14 03:28

  • 论文分享

LeWM 现在可以处理多任务了!

怎么做?对时间潜在残差应用正则化损失(例如 SIGReg 和 VISReg),仅此而已!

这个设计背后的原理相当有见地: 来自多个任务的样本应该共享同一个潜在空间,但不应该被强制到相同的分布。

这篇论文表明,直接调节编码后的时间嵌入会破坏每个任务应保留的分布。

他们在 LIBERO 数据集上跨 10 个任务对比了该方法。结果非常强劲: Raw LeWM — 44.4 TC-LeWM — 73.5 (+29.1) 平均而言,TC-LeWM 显著提高了这些任务上的成功率。

我的想法: 这个方法解决的问题比他们声称的更多。抓取(Gripping)对于 Raw LeWM 来说是一个众所周知的困难规划问题,但 TC-LeWM 在这个机械臂数据集上显著提高了成功率。他们的方法更关注转移状态中的实际差异,从而放大了动作的重要性。

相似文章

LeWorldModel:从像素出发的稳定端到端联合嵌入预测架构

Papers with Code Trending

LeWorldModel 提出了一种稳定的端到端联合嵌入预测架构(JEPA),可直接从像素进行训练,仅需极少超参数,并具有可证明的反坍塌保证。与基础模型相比,它在规划速度上实现了显著提升,同时在机器人操作任务中保持了具有竞争力的性能。