#机器人学习
共 6 篇
从 12 条到 200 条演示，机器人能多学会多少
一位独立研究者在便宜的 SO-101 机械臂上，用 12 到 200 条演示系统对比四种主流模仿学习策略：ACT 大数据后反超，π0.5 少数据时领先但极吃微调配方，另两个卡在五成。还测出小样本评测的噪声能差两成。
机器人换环境就翻车，先查动作库再出手
视觉语言动作模型一换环境就容易翻车。R2A 把历史成功演示整理成动作基元图，推理时检索匹配的几何先验，与冻结的 VLA 输出门控融合。三大主流模型上仿真最多加 12 个点、真机加 40 个点，全程不微调基座。
灵巧手在指尖转东西，九成五到位还不易掉
让多指灵巧手把物体转到任意姿态，是比抓取难得多的任务。这篇论文用仿真加零样本迁移在 LEAP 手上做到了 95% 的到位率，再叠一个可调松紧的安全滤波器，物体掉落减少四分之三。全程无需人工数据，一只腕部深度相机就够用。
教机器人干活，别只动它的手，去动它的桌子
读完能学到一种新的纠正反馈方式：人不去挪机器人的手臂，而是改桌面上的东西，机器人因此能学出光靠挪手臂教不会的偏好，还能分清你到底在意哪个特征。
双手机器人练成了专家，代价是不会换手
一项仿真研究用 2x2 实验设计检验双臂控制的分工组织：目标分化加固定手部分配的组合成功率最高 81.33%，但换手后成功率暴跌 80 个百分点；共享目标训练则换来可互换性。分工与灵活只能选一头。
不碰一台机器人，也能先学出点动作直觉
新论文用与机器人无关的程序化合成数据给模型做预训练，零样本动作预测拿到非平凡表现。讲清合成数据的边界：能当先验，替代不了真机数据。