arXiv cs.AI· Rafael Felix, Flavia Yanase·· 12 小时前AI 评分34
机器人泛化不止靠数据量：通过零样本能力走向多样性路径
Robot Generalization Beyond Volume: The Diversity Path via Zero-Shot Capabilities
AI 导读
研究提出机器人零样本泛化应被视为对部署分布的覆盖，同一批采集者增加样本只能缓慢缩小未见区域，而每新增一个贡献者都能扩展该区域。为此作者提出共享机器人动作潜空间，结合多模态对齐、生成式增强与噪声标签学习，并以基于标准易用机器人 Origami 的开发者社区作为多样化数据来源。论文还给出将真实机器人零样本成功率与贡献数据多样性关联的可检验假设与评估协议。
正文 · AI 翻译
摘要：通用机器人必须处理它们从未训练过的任务、物体和环境，然而零样本泛化仍然是物理 AI 中解决得最少的问题之一。在数字 AI 中，零样本能力随着训练数据的规模和（最重要的是）多样性而增长，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，这带来了规模却缺乏多样性。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，而每个新的贡献者都能扩展该区域。基于这一点以及零样本学习，我们提出了一种用于机器人动作的共享潜在空间，它结合了多模态对齐、生成式增强和噪声标签学习。作为多样数据的可扩展来源，我们提出了一个开发者社区，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一个评估协议，将真实机器人的零样本成功率与所贡献数据的多样性联系起来。
| 评论： | 13 页，7 幅图，2 张表，包括补充材料 |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| ACM 分类： | I.2.9；I.2.6 |
| 引用为： | arXiv:2610.29829 [cs.RO] |
| （或 arXiv:2610.29829v2 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.29829 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Rafael Felix [查看邮箱]
[v1]
2026 年 10 月 21 日星期三 14:51:08 UTC（3,172 KB）
[v2]
2026 年 10 月 22 日星期四 03:22:58 UTC（3,173 KB）
来源：arXiv cs.AI · arxiv.org