UniIntervene++: Adaptiver Interventionsagent verbessert reales Online-RL auf 89,67 Prozent Erfolg
Das Paper beschreibt UniIntervene++, einen als Preprint veröffentlichten adaptiven Interventionsagenten, der während des Online-Reinforcement-Learning zwischen autonomer Roboterpolitik, Trajektorienkorrektur und einer task-strukturierten CodePolicy wählt. In fünf realen Manipulationsaufgaben erreicht das Verfahren eine mittlere Erfolgsrate von 89,67 Prozent und reduziert die menschliche Interventionsquote auf 0,77 Prozent. Damit übertrifft es die beste Baseline um 6 Prozentpunkte bei mindestens 94,6 Prozent weniger menschlichen Eingriffen.