基于在线模仿预训练世界模型的高效操作模拟到现实迁移方法
TLDR
基于世界模型的在线模仿预训练与离线微调框架，在有限真实数据下提升操作迁移效果。
评分理由
The paper clearly addresses a practical problem (limited real-world data) and proposes a novel combination of online imitation pretraining with world models, showing significant empirical gains in both sim-to-sim and sim-to-real transfers. However, the abstract lacks details on the world model architecture and the specific real-world experimental setup, limiting full assessment of methodology.
Read-first 评分解释
综合优先阅读分 46.4，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 28。
研究版图角色
前沿论文
排序敏感性
稳定性：volatile；排名波动范围：375。
关键词评分
深度分析
创新点
- 在world model框架中结合在线模仿预训练与离线微调以实现sim-to-real迁移
- 利用在线交互缓解离线模仿学习方法的数据覆盖限制
- 在成功率上相比离线基线取得显著提升（sim-to-sim≥31.7%，sim-to-real≥23.3%）
方法
所提出的sim-to-real框架基于world models，结合了使用机器人模拟器的在线模仿预训练和在有限真实世界专家数据上的离线微调。预训练期间的在线交互改善了数据覆盖和鲁棒性，减少了微调时的性能下降，并增强了领域迁移。
关键结果
该方法在sim-to-sim迁移中成功率至少提高31.7%，在sim-to-real迁移中至少提高23.3%，优于现有的离线模仿学习基线。