热点事件持续更新
SynIL：基于协同的离线模仿学习框架
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
2026年10月1日，arXiv cs.RO 报道了 SynIL，一个面向离线模仿学习的自动化、免标注示范质量评估框架。该框架基于运动协同度这一低维协调结构与运动熟练度相关的神经科学证据，通过自监督奖励回归生成密集的逐 transition 奖励信号。报道称，在 D4RL 运动基准和多人类 Robomimic 操作数据集上，协同度导出的奖励与真实奖励强相关，性能显著优于行为克隆（BC），与使用真实环境奖励训练的离线强化学习相当，在稀疏奖励的人类遥操作场景中更优。
AI 根据报道生成 · 2 小时前更新
最新进展10月1日 12:00
SynIL 框架被报道，在 D4RL 与 Robomimic 上性能优于 BC，媲美离线强化学习。报道时间线
沿着报道，了解事件的不同侧面。
10月1日
- arXiv cs.RO精选SynIL：利用运动协同度从不完美示范数据集中做离线模仿学习
SynIL 是一个面向离线模仿学习的自动化、免标注示范质量评估框架，基于运动协同度这一低维协调结构与运动熟练度相关的神经科学证据，通过自监督奖励回归生成密集的逐 transition 奖励信号。在 D4RL 运动基准和多人类 Robomimic 操作数据集上，协同度导出的奖励与真实奖励强相关，性能显著优于行为克隆（BC），与使用真实环境奖励训练的离线强化学习相当，在稀疏奖励的人类遥操作场景中更优。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。