适配器：通过少样本学习和跨操作员泛化推进辅助远程操作

辅助远程操作通过共享控制提高了效率，但由于不同的习惯和专业知识而导致操作员之间的可变性，导致高度异构的轨迹分布，从而破坏了意图识别的稳定性。我们提出了 Adaptor，这是一个用于稳健的跨操作员意图识别的少量框架。适配器通过两个阶段弥合域差距：（i）预处理，通过噪声注入合成轨迹扰动来模拟意图不确定性，并执行几何感知关键帧提取； (ii) 政策学习，它使用意图专家对处理后的轨迹进行编码，并将其与预先训练的视觉语言模型上下文融合，以调节行动专家的行动生成。现实世界和模拟基准的实验表明，Adapter 实现了最先进的性能，比基准提高了成功率和效率。此外，该方法在具有不同专业知识的操作员之间表现出较低的方差，表现出强大的跨操作员泛化能力。