real-world reinforcement learning for robot policies上級
Value as Memory:汎用ロボット方策のオンライン価値誘導型ポストトレーニング
上海交通大学チームのこのプレプリントは、汎用ロボット方策に自らが直近に推定した作業進捗を入力として与え、稼働しながら再学習させることで現場学習を続けさせる。洗濯物たたみを含む実機の長時間タスク3種で、平均成功率は進捗メモリを外した同じシステムより29.4ポイント、従来のバッチ再学習より32.8ポイント高かった。