热点事件持续更新
TMD：间歇性视觉丢失下真实机器人操作鲁棒性
1 篇报道1 个报道来源2 小时前 更新
先了解这件事
AI 综述
2026年10月8日，arXiv Robotics（一手）发表论文提出 Targeted Modality Dropout（TMD），旨在提升模仿学习策略在间歇性视觉丢失下的真机操作鲁棒性。该方法用注意力估计各模态依赖度，选择性丢弃主导模态，并对依赖分布施加熵正则化，以缓解策略对视觉的过度依赖。在双臂机械臂真机评估中，视觉丢失时基线策略成功率大幅下降，TMD 仍能维持任务执行；随机丢弃模态且无熵正则化的常规 dropout 在无视觉丢失时也失败。论文已投稿 IEEE/SICE SII 2027。
AI 根据报道生成 · 2 小时前更新
最新进展10月8日 12:00
TMD论文已投稿IEEE/SICE SII 2027，真机评估显示视觉丢失下仍能维持任务执行。报道时间线
沿着报道，了解事件的不同侧面。
10月8日
- arXiv · RoboticsTargeted Modality Dropout：间歇性视觉丢失下仍稳健的真机操作
论文提出 Targeted Modality Dropout（TMD），用注意力估计各模态依赖度并选择性丢弃主导模态，同时对依赖分布施加熵正则化，缓解模仿学习策略对视觉的过度依赖。在双臂机械臂真机评估中，视觉丢失时基线策略成功率大幅下降，TMD 仍能维持任务执行；随机丢弃模态且无熵正则化的常规 dropout 在无视觉丢失时也失败。论文已投稿 IEEE/SICE SII 2027。
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。