论文主张机器人零样本泛化依赖数据来源多样性而非单纯数据量
资讯摘要
论文指出，通用机器人需应对未训练过的任务、物体与环境，零样本泛化仍是物理AI最难解决的问题之一。作者认为数字AI的零样本能力得益于训练数据的规模与多样性，而机器人数据多由少数资金充足的团队付费采集，有量无多样性。论文将零样本泛化表述为对部署分布的覆盖，并提出共享潜空间方法及基于标准机器人Origami的开发者社区，作为多样化数据来源。
要点速读
- 论文认为，同一采集方增加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
- 提出面向机器人动作的共享潜空间，结合多模态对齐、生成式增强与噪声标签学习
- 提出以标准易用机器人Origami上的开发者社区作为可扩展的多样化数据来源，并给出可检验假设与评估协议
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。