11:16arXiv cs.LG@Eduardo Sebastián, Adrian Pfisterer, Vito Mengers, Oliver Brock, Amanda Prorok这篇论文提出了一种新的机器人学习框架,通过将策略分解为“世界因子”和“任务因子”来实现结构泛化。世界因子描述机器人和环境的固有属性,独立于任务意图;任务因子则定义任务逻辑。作者利用贝叶斯模型证据形式化了这种不对称性,并实例化为AICON图与学习策略的组合,梯度作为两个因子的接口。实验表明,该方法在异构机器人、环境和任务中优于端到端基线,能零样本泛化到分布外配置,并直接迁移到真实硬件。论文机器人学习泛化世界模型任务分解零样本迁移推荐理由:机器人学习领域长期面临泛化难题,这篇论文从结构分解入手给出了新解法。做机器人策略研究或部署的团队值得关注,零样本迁移到真实硬件意味着可以直接减少重复训练成本。原文