超越数据量的机器人泛化：通过零样本能力实现多样性路径
arXiv 2610.29829v1 提出将物理AI的零样本泛化定义为对部署分布的覆盖，并指出同一采集者的更多样本只能缓慢缩小未见区域，而每个新贡献者都能扩展该区域。作者据此提出机器人动作共享潜在空间，结合多模态对齐、生成式增强与噪声标签学习，并以标准易用机器人 Origami 上的开发者社区作为多样数据来源，最后给出将真实机器人零样本成功率与数据多样性关联的可检验假设和评估协议。
发布于 10-22 13:00来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《Robot Generalization Beyond Volume: The Diversity Path via Zero-Shot Capabilities》查看原链
通用机器人必须处理从未训练过的任务、物体和环境，但零样本泛化仍是物理AI中解决最少的问题之一。 在数字AI中，零样本能力随训练数据的规模和多样性增长，其中大部分数据来自众包。 机器人领域则依赖少数资金充足的团队付费采集，这带来了数据量却缺乏多样性。
我们将物理AI中的零样本泛化表述为对部署分布的覆盖，并表明来自同一采集者的更多样本只能缓慢缩小未见区域，而每个新贡献者都能扩展该区域。 基于此及零样本学习，我们提出一种机器人动作的共享潜在空间，结合多模态对齐、生成式增强和噪声标签学习。 作为多样数据的可扩展来源，我们提出一个开发者社区，在一个标准、易用的机器人Origami上构建应用。
最后，我们给出一个可检验的假设和评估协议，将真实机器人零样本成功率与贡献数据的多样性关联起来。