重磅！武大提出RGMP框架！泛化成功率87%！数据效率提升5倍！

在人形机器人迈向实用化的道路上，数据依赖和环境适应能力一直是两大核心瓶颈。现有主流方案大多采用数 据驱动模式，不仅需要海量训练样本支撑，还常常忽略几何推理能力，导致机器人在陌生场景中频繁 "失 灵"，大量训练资源也因此被浪费。 ▍ 几何先验技能选择器：给机器人装上 "空间常识大脑" GSS模块的核心创新在于将几何归纳偏置融入视觉语言模型，让机器人像人类一样结合视觉几何特征和任务 语义选择合适技能。该模块采用模块化设计，具备即插即用特性，仅需20条基于规则的约束就能实现稳定性 能，大幅降低了调优成本。 近日，武汉大学团队提出的 递归几何先验多模态策略（ RGMP） 框架。该框架创新性地将几何语义技能推 理与数据高效的视觉运动控制相融合，在人形机器人和桌面双臂机器人平台上，泛化测试任务成功率达到 87%，数据效率更是较当前最先进模型提升5倍。 ▍ 双模块协同：破解感知与运动的双重难题 RGMP框架采用端到端设计，通过几何先验技能选择器（GSS） 和自适应递归高斯网络（ARGN） 的协同工 作，解决了陌生场景下的技能选择难题 同时 ， 还 实现了数据稀缺条件下的精准运动合成，整体架构简洁且 高效。 RGMP 的技术 ...