arXiv cs.AI· Seungku Kim, Suhyeok Jang, Byungjun Yoon, Dongyoung Kim, John Won, Jinwoo Shin·· 11 小时前AI 评分35
RoboCurate：用动作验证的合成数据提升机器人学习多样性
RoboCurate: Harnessing Diversity with Action-Verified Synthetic Data for Robot Learning
AI 导读
RoboCurate 框架通过让逆动力学模型（IDM）预测的动作在模拟器中执行，并比对模拟器 rollout 与生成视频的运动一致性来验证动作标签，同时借助生成模型扩展场景多样性、用 VLM 预筛物理不合理的视频。
正文 · AI 翻译
摘要：由视频生成模型生成的合成数据作为一种可扩展的流程，在机器人学习方面已展现出潜力，但由于视频生成不完美或动作预测不准确，这类数据常常存在动作标签噪声。近来，视觉语言模型（VLM）已被用于验证视频质量，但它们无法直接评估生成的动作本身。为解决这一问题，我们提出了 RoboCurate，这是一个用于动作验证的合成机器人数据的新框架，旨在解决生成视频与标注动作之间的不一致问题。具体而言，RoboCurate 在模拟器中执行由逆动力学模型（IDM）预测的动作，并通过衡量模拟器 rollout 与生成视频之间的运动一致性来验证动作一致性。为了更好地利用这一框架，我们进一步借助现成的生成模型和结构化编辑轴，将合成数据的场景多样性扩展到可用数据集之外。随后，我们使用 VLM 对物理上不合理的生成视频进行预筛选，然后再验证其动作标签。在多种操作场景中，与仅使用真实数据相比，RoboCurate 在成功率上取得了显著的相对提升：在 GR-1 Tabletop（300 个演示）上提升 +90.3%，在模拟基准的预训练设置中于 DexMimicGen 上提升 +29.1%，在具有挑战性的真实世界 ALLEX 和 OpenArm 人形机器人基准的联合微调设置中分别提升 +179.9% 和 +42.9%。
| 评论： | CoRL 2026 G2A Workshop 已接收（口头报告）；项目页面见 此 https URL |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2602.18742 [cs.RO] |
| （或 arXiv:2602.18742v2 [cs.RO] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2602.18742 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Suhyeok Jang [查看邮箱]
[v1]
2026年2月21日星期六 07:33:24 UTC（30,603 KB）
[v2]
2026年11月5日星期四 09:30:43 UTC（2,717 KB）
来源：arXiv cs.AI · arxiv.org