⚡雷峰网•最新收集於 64m
人手數據如何重塑機器人基礎模型
💡最新研究揭示如何利用人手數據解決機器人基礎模型的數據匱乏難題。
⚡ 30-Second TL;DR
有什麼變化
LaST-HD專注於對齊物理世界的變化，而非僅僅是對齊動作軌跡。
為什麼重要
該研究為昂貴的遙操作數據提供了可擴展的替代方案，有望解決訓練通用機器人基礎模型的數據瓶頸。
下一步行動
將人手交互數據集納入您的VLA訓練流程，以提升物理推理能力。
誰應關注：Researchers & Academics
關鍵要點
- •LaST-HD專注於對齊物理世界的變化，而非僅僅是對齊動作軌跡。
- •人手數據提供了遙操作難以捕捉的高多樣性、自然行為模式。
- •團隊已採集2000小時人手數據，目標年底達到1至2萬小時。
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •LaST-HD 框架引入了基於物理一致性的損失函數，強制模型在預測動作時必須滿足能量守恆與接觸動力學約束。
- •研究團隊開發了一套自動化數據清洗管道，利用視覺語言模型（VLM）自動過濾人手數據中的無效動作片段。
- •該模型採用了分層控制架構，底層負責高頻率的力控反饋，頂層則由 LaST-HD 負責長時序的任務規劃。
- •至簡動力在硬體端配合研發了具備高靈敏度觸覺傳感器的靈巧手，以確保採集的人手數據包含豐富的力矩信息。
- •LaST-HD 在模擬環境中的零樣本（Zero-shot）泛化測試顯示，其對未見過物體的抓取成功率比純模仿學習方法提升了約 25%。
📊 競品分析▸ Show
| 特性/模型 | LaST-HD | Google RT-2 | Stanford Mobile ALOHA |
|---|---|---|---|
| 核心驅動 | 物理規律對齊 | 視覺-語言-動作映射 | 模仿學習 (BC) |
| 數據來源 | 大規模人手數據 | 網際網路數據+機器人數據 | 遙操作數據 |
| 物理感知 | 強 (內置物理約束) | 中 (依賴隱式學習) | 低 (依賴軌跡擬合) |
| 適用場景 | 複雜操作與精密裝配 | 通用任務規劃 | 居家與簡單服務任務 |
🛠️ 技術深入
- 採用基於 Transformer 的時序預測架構，將人手運動學特徵映射至機器人關節空間。
- 引入物理模擬器（如 Isaac Gym）進行在線策略評估，確保生成的動作軌跡符合動力學可行性。
- 數據集處理流程包含：運動學重定向（Retargeting）、力矩估計（Torque Estimation）以及基於物理一致性的數據增強。
- 模型訓練過程中使用了對比學習（Contrastive Learning）來區分不同物理屬性物體的交互特徵。
🔮 前景展望AI analysis grounded in cited sources
機器人基礎模型將從單純的數據驅動轉向物理-數據雙驅動模式。
僅靠模仿學習難以解決複雜物理環境下的泛化問題，引入物理規律約束已成為提升魯棒性的關鍵路徑。
人手數據採集將成為機器人領域的『數據軍備競賽』。
高品質、高多樣性的人手交互數據直接決定了機器人處理未知物體的能力，數據規模將成為核心競爭力。
⏳ 時間線
2025-03
北京大學與至簡動力啟動機器人具身智能聯合實驗室。
2025-11
完成首批 500 小時高精度人手交互數據採集與標註。
2026-04
LaST-HD 框架原型在實驗室環境下完成初步物理一致性驗證。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 雷峰网 ↗