Recoleta Item Note
Data Analogies Enable Efficient Cross-Embodiment Transfer
本文研究跨机器人形态迁移时，哪些数据组织方式最有效。结论是：相比单纯增加异构演示数量，带有跨机器人“数据类比”的配对演示，尤其是轨迹级配对，更能提升少样本跨具身迁移效果。
Summary
本文研究跨机器人形态迁移时，哪些数据组织方式最有效。结论是：相比单纯增加异构演示数量，带有跨机器人“数据类比”的配对演示，尤其是轨迹级配对，更能提升少样本跨具身迁移效果。
Problem
- 论文解决的是：在目标机器人只有少量示例时，如何利用其他机器人、视角和场景的数据来提升目标机器人的任务成功率。
- 这很重要，因为通用机器人策略越来越依赖大规模异构数据，但目前并不清楚真正有用的是“更多数据”还是“更有结构的数据”。
- 尤其在形态差异（不同夹爪/机械臂）下，简单堆数据可能无法学到可迁移的控制对应关系。
Approach
- 不改模型结构或训练算法，只研究数据组成：在固定预算下比较 coverage（targeted vs. diverse）和 pairing（unpaired / task-paired / trajectory-paired）。
- 提出 data analogies：跨具身但在场景、任务实例或执行轨迹上保持对应的演示，让模型看到“不同机器人如何做同一件事”。
- 在仿真中系统控制三类分布偏移：viewpoint、morphology、appearance；在真实机器人上验证趋势是否成立。
- 轨迹配对通过 DTW 对齐同一任务实例下的跨机器人轨迹；训练时将这些“translation dataset”与目标机器人的 50-shot 数据按 50:50 共同微调到预训练 VLA（pi_0.5-style）上。
Results
- 在仿真中，相比大规模但无配对的开放数据集 OXE，作者的组合式 OXE+Translational 数据设计平均提升 19% success rate。
- 在真实世界实验中，仅改变数据组成，就比大规模无配对数据平均提升 22.5% success rate。
- 对 morphology 偏移，配对比单纯多样性更关键：论文报告 targeted-trajectory-paired 与 diverse-trajectory-paired 分别约 62% vs. 64%，但“paired 与 unpaired”的平均差距约 23%。
- 对 viewpoint 和 appearance，增加多样性更有效；随着多样性提升，成功率平均增加约 17%，且 trajectory pairing 仍平均比较弱配对方案高 6%。
- 对 morphology scaling，不带配对时增加多样性几乎无效，性能仅约 42% -> 44%；说明更多机械臂/夹爪样本本身不足以跨越控制与运动学差异。
- 实验设置上，真实世界每个迁移方向使用 50 个源机器人演示、每轴/场景/机器人 50 个 translational 演示；仿真结果基于 100 个随机种子，真实世界基于 5 个随机初始化。
Link
Built with Recoleta
Run your own research radar
Turn arXiv, Hacker News, OpenReview, Hugging Face Daily Papers, and RSS into local Markdown, Obsidian notes, Telegram digests, and a public site.