移动操作（ MoMa ）是自主机器人系统的基石，但由于高维动作空间和异构模块之间的复杂耦合，真实世界的微调仍然是一项艰巨的挑战。在本文中，我们提出了HiRe-MoMa （ Hierarchical Residual Mobile Manipulation ） ，这是一个用于复杂M的稳定和样本效率的真实世界微调的系统框架。

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2610.20607v1)获取最准确的信息。

---
🔗 **原文链接**: [Hierarchical Residual Policy Learning for Real-World Mobile ](https://arxiv.org/abs/2610.20607v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Zhefei Gong, Hefeifei Jiang, Zehao Wang, Jiachen Li

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-10-15 13:01