摘要
针对具身任务中测试时缩放面临的推理机制缺失及历史信息利用不足两大挑战，本文提出 E-TTS 框架。该框架模块化且即插即用，通过视觉 - 语言验证器实现历史感知的迭代细化，统一了推理与动作缩放。E-TTS 采用成对采样评分机制，并利用历史缓冲区存储上下文以评估候选方案。不同于传统开环方法，其引入反馈生成形成闭环迭代机制，提升了推理效率与环境适应性。实验表明，无需额外数据或重训练，该框架在仿真和真实场景中分别提升性能达 33.14% 和 26.62%。
AI 推荐理由
论文核心提出推理与动作联合缩放框架，通过迭代细化机制显著提升机器人操作性能。
研究机构
New Laboratory of Pattern Recognition (NLPR), Institute of Automation, Chinese Academy of Sciences, Beijing, China
School of Artifical Intelligence, University of Chinese Academy of Sciences, Beijing, China
Foundation Model Research Center, Institute of Automation, Chinese Academy of Sciences, Beijing, China
FiveAges, Beijing, China
论文信息