ODE Policy：通过动作动力学而非动作本身实现机器人学习

研究提出ODE Policy，通过神经常微分方程学习动作向量场，而非直接映射观测到离散动作，在模仿学习和强化学习中均实现更平滑、高效的动作生成。在14个真实机器人任务中取得最高成功率，动作生成速度提升10.8倍，且在单臂、双臂、灵巧操作和人形机器人任务中表现优异。