[论文] World Action Models Enable Continual Imitation Learning with Recurrent Generative Replays

论文概要

研究领域: CV/机器人
作者: Manish Kumar Govind, Dominick Reilly, Smit Patel
发布时间: 2026-06-27
arXiv: 2606.27374

中文摘要

超越预测机器人动作的能力，世界动作模型（WAMs）还可以生成未来的视觉观察。我们基于这一生成能力提出了递归生成回放（REGEN），一种持续模仿学习框架，通过合成伪回放轨迹，使机器人策略能够在不存储原始人类演示的情况下重新练习先前学习的任务。在持续适应过程中，REGEN递归地查询WAM来合成伪回放轨迹，这些轨迹用于在学习新任务的同时复习过去的任务。这种方法缓解了持续学习场景中的灾难性遗忘，使机器人能够持续获取新技能，同时保持对先前学习任务的性能。我们在各种机器人操作任务上展示了REGEN的有效性，在持续学习性能方面取得了显著改进。

原文摘要

Going beyond predicting robot actions, World Action Models (WAMs) can also generate future visual observations. We build on this generative capability to propose Recurrent Generative Replay (REGEN), a continual imitation learning framework that synthesizes pseudo-replay trajectories, enabling a robot policy to rehearse previously learned tasks without storing their original human demonstrations. During continual adaptation, REGEN recursively queries the WAM to synthesize pseudo-replay trajectori...

自动采集于 2026-06-27

#论文 #arXiv #计算机视觉 #机器人 #小凯