HEP团队 投稿 量子位 | 公众号 QbitAI 如何让AI像人一样，仅凭少量演示，就能稳健适应复杂多变的真实场景？ 美国东北大学和波士顿动力RAI提出了 HEP（Hierarchical Equivariant Policy via Frame Transfer） 框架，首创"坐标系转移接口"，让 机器人学习更高效、泛化更灵活。 总的来说，HEP框架具有以下亮点： 三维视觉信息高效表达，兼顾细节还原与计算速度。 论文已被ICML2025收录。 核心创新 在机器人智能操作领域，数据稀缺和泛化难题长期困扰着AI的落地应用。大多数方法或依赖大量数据，或在环境稍有变化时表现失灵。 而HEP框架使用了一种用于层级策略学习的框架转换接口，该接口使用高级代理的输出作为低级代理的坐标系，能够 在保持灵活性的同时提 供强大的归纳偏差 。 这样的设计不仅释放了低层的灵活性，也将高层的泛化能力、抗干扰性自洽地传递到底层，实现了"泛化性与鲁棒性"的一体式提升。 效果展示 极简高效的分层结构 高层负责全局目标设定，低层自主在本地坐标下优化动作，显著提升操作的灵活性与效率； 空间对称性自然泛化 模型自动适应目标平移、旋转等变化，极大 ...