注册

FoldBack策略实现长程衣物折叠自纠错，成功率升至75.2%

论文AI 评分 65/100arXiv cs.AI待复核
AI 聚合

本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。

针对机器臂长轨迹操作中抓取失败仍继续执行的问题，FoldBack策略通过三项推理时决策实现自纠错：对齐抓放事件进行验证、回滚至可重试的预抓取态、选择性重生成失败片段并避开旧错位。该策略无需纠错演示或重训基策略即可检测、撤销并修复失败交互。在6类33件真实衣物测试中，其最终折叠成功率达75.2%、最终掩码IoU为0.837，而最强基线仅45.7%与0.689。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

三个推理期决策

FoldBack 把恢复机制拆成三个在推理阶段做出的判断：什么时候进行细化与验证、以何种方式回退、以及在何处、以何种方式重试。细化与抓取验证被对齐到取放事件上，也就是说机器人在拾取和放置的节点上检查当前状态，而不是在整条轨迹上均匀地做检查。回退时，系统把机器人带回一个可以重新尝试的抓取前构型，同时保留此前已经成功的抓取，避免把做对的部分一并丢弃。重试环节则只重新生成失败的那一段以及被选中的后续动作，并且绕开之前失败过的抓取位置。作者称 FoldBack 是首个可编辑的全轨迹策略，把上述三类决策统一在一起，使失败的交互能够在执行继续之前被检测、撤销并修复。

无需恢复示范与重训

与既有长轨迹策略相比，FoldBack 的差异在于失败之后的处理方式。原文指出，已有的长轨迹策略在抓取落空或打滑之后仍可能继续往下执行，即便衣物并没有到达预期的构型。FoldBack 不依赖恢复示范，也不需要对基础策略做重新训练，就能完成检测、撤销与修复这一串动作。这一点决定了它的适用范围：它是在推理阶段对轨迹做编辑，而不是靠额外采集的失败恢复数据去教策略如何补救，因此不需要为每一种失败情形准备示范样本。限制方面，材料只说明其恢复机制围绕推理期的三类决策展开，并未给出对其他任务或更广泛场景的迁移结论。

33 件衣物的实测结果

评测覆盖六个类别、共 33 件真实衣物。FoldBack 取得 75.2% 的最终折叠成功率，最终掩码 IoU 为 0.837。作为对照，原文所述最强的既有基线为 45.7% 的成功率和 0.689 的最终掩码 IoU。两组数字的差距同时出现在成功率与掩码重合度两个指标上，说明改进不只体现在任务是否完成，也体现在折叠后衣物区域与目标区域的重合程度上。对关注该方向的读者而言，这组结果给出的信息是：把失败检测、回退与选择性重生成放进推理流程，在真实衣物这一类别跨度较大的测试集上，能够同时抬高完成率与形状贴合度，而代价是不需要恢复示范和基础策略重训。

为什么值得看

首个统一回滚与重试决策的可编辑全轨迹策略，无需纠错演示即大幅提升长程操作成功率。

对齐

信源1 家

  1. [1]arXiv cs.AI一手信源FoldBack: Self-Correcting Masked Generative Policy for Long-Horizon Garment Folding

关键事实

  • FoldBack是首个统一检测、撤销与修复失败交互的可编辑全轨迹策略，无需纠错演示或重训基策略。[1]

  • FoldBack围绕三项推理时决策构建恢复机制：何时精化验证、如何回滚、何处及如何重试。[1]

  • 在6类33件真实衣物测试中，FoldBack最终折叠成功率为75.2%，最终掩码IoU为0.837。[1]

  • 最强先前基线的最终折叠成功率为45.7%，最终掩码IoU为0.689。[1]

相关 · 论文

DreamX 将预训练视频扩散模型改造为通用潜在动作学习器

11月4日 周三·AI 78

arXiv 论文提出「认知共生体」概念，主张 AI 增强人的智能

11月4日 周三·AI 58

独立复现 DNO-Prct：Llama 3.1 8B 对 GPT-4o 胜率升…

11月4日 周三·AI 72

研究提出 PEARL 方法，用于持久抑制语言模型的不对齐行为

11月4日 周三·AI 78

本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。

去论坛讨论