声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：21-1137/TP
国际刊号：1002-0446
发布日期:
作者：罗佳媛, 刘泽阳, 兰旭光
关键词：机器人操作, 长时任务规划, 扩散策略, 动作策略学习
机器人完成长时任务时，离线技能学习的动作序列多种多样，自然语言指令理解与长时任务语义关系复杂，信息密度高。针对这些挑战，提出一种基于多模态扩散策略的长时任务规划方法（MMDPP）以提升复杂环境下的任务完成率与鲁棒性。该方法利用大型视觉－语言模型将自然语言任务转化为结构化任务元素，引入多模态融合模块，对低维状态、图像观测信息与任务语义进行统一建模，使用选择性通道，降低梯度冲突，减少梯度交叉干扰。在此基础上构建条件扩散生成模型，直接输出结构一致、任务对齐的动作序列，实现从语言输入到动作预测的端到端策略规划。在MuJoCo-Kitchen-Image厨房环境（自建数据集）中，MMDPP方法完成长时任务的成功率相比基线方法显著提高；在Robosuite-Kitchen环境中，成功率比SiMPL方法提高了2.4%；在UR5真实机器人平台整理场景的操作任务中成功率为80%，展现出良好的准确率与现实适应性。本文方法显著增强了长时任务动作策略学习对任务变化的适应性，为基于扩散模型的机器人长时规划提供了有效范式。
来源：2025年第4期
《机器人》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。