午夜精品区一区二区三_日日摸日日碰夜夜爽无_久久青青草原_在线看的av_我想看国产一级毛片_中文无码vr最新无码av专区

導 言 

在具身智能領域，智元啟元大模型GO-1 依靠先進的模型架構和高質量的海量真機數(shù)據(jù)，展現(xiàn)出了通用的感知理解、動作執(zhí)行等能力。如今，我們進一步提出一種全新的數(shù)據(jù)采集范式ADC （Adversarial Data Collection, 對抗數(shù)據(jù)采集），大幅提升了數(shù)據(jù)的信息密度和多樣性，降低了后訓練所需的數(shù)據(jù)量、壓縮了訓練成本，且提升了模型的魯棒性和泛化性，與傳統(tǒng)范式相比，使用20%數(shù)據(jù)量達到其2.7倍的效果。

論文地址： 

https://arxiv.org/abs/2503.11646

項目地址：

https://sites.google.com/view/adc-robot/home

01 ADC: 突破性的對抗式數(shù)據(jù)采集方案 

傳統(tǒng)的數(shù)據(jù)采集采用單次重復范式，存在視覺冗余、語言指令重復及動作相似的問題，導致數(shù)據(jù)的多樣性和有效性不足。盡管存在仿真等技術豐富數(shù)據(jù)的多樣性，但卻面臨Sim2real域間差異等問題，難以實現(xiàn)在復雜真實環(huán)境中快速高效擴展。

為了解決上述問題，智元推出了一種全新的數(shù)據(jù)采集方法——對抗式數(shù)據(jù)采集ADC，在數(shù)據(jù)采集過程中增加人為動態(tài)擾動，包括視覺和指令對抗，從而：

• 提升單條數(shù)據(jù)的信息密度與多樣性

• 減少后訓練數(shù)據(jù)需求量和模型訓練成本

• 增強模型的泛化能力與魯棒性

如下圖所示，研究團隊對比分析了機器人操作中真實數(shù)據(jù)采集的兩種流程：

• (a) 傳統(tǒng)方法： 遠程操作者在靜態(tài)視覺環(huán)境中，依據(jù)固定語言指令執(zhí)行任務。數(shù)據(jù)采集局限于單一場景，缺乏多樣性。

• (b) 對抗式數(shù)據(jù)采集（ADC）框架： 采用“雙人協(xié)同”模式，新增一名對抗操作員，在采集數(shù)據(jù)時，對抗采集員通過動態(tài)擾動改變視覺元素（如背景、物體位置/姿態(tài)）及語言指令（如任務目標），提升信息密度和多樣性。

02 ADC如何提升數(shù)據(jù)信息密度和多樣性 

ADC通過在單次示范中注入多層次、跨模態(tài)的擾動，大幅提升數(shù)據(jù)的信息密度與多樣性：

• 視覺擾動： 動態(tài)調整物體位置、姿態(tài)及背景；

• 語言擾動： 實時修改任務目標或換用不同表達方式；

• 失敗恢復： 采集中自然融入錯誤應對策略；

• 信息壓縮：單次ADC演采集≈數(shù)百次傳統(tǒng)采集的信息量。

其中，傳統(tǒng)數(shù)據(jù)采集方案與ADC數(shù)據(jù)采集方案對比視頻如下所示：

03 少數(shù)據(jù)，強性能，更魯棒

為了驗證ADC設計的有效性，研究團隊在智元精靈G1機器人平臺上開展了實驗，設計了“水果分類放置”任務作為驗證場景。我們分別用傳統(tǒng)范式和ADC新范式采集了大致相當幀數(shù)的數(shù)據(jù)。由于ADC采集過程中無需頻繁重置場景，采集相同幀數(shù)的有效數(shù)據(jù)所需采集時間基本和傳統(tǒng)方式一致。

在靜態(tài)環(huán)境測試中，相比傳統(tǒng)數(shù)據(jù)采集訓練的模型，ADC采集的訓練數(shù)據(jù)使模型在任務中表現(xiàn)出突出的準確性與可靠性，平均成功率在3組不同測試條件下分別提升了53%、70%、59%。

在靜態(tài)環(huán)境下的性能評測

在動態(tài)環(huán)境測試中（例如物體位置或語言指令動態(tài)變化），傳統(tǒng)方法訓練的模型表現(xiàn)完全失效，成功率全部為0，而ADC訓練的模型能夠應對視覺和語言擾動，展現(xiàn)出更高的魯棒性。

動態(tài)環(huán)境下對抗視覺擾動的性能評測

動態(tài)環(huán)境下對抗語言干擾的性能評測

為了驗證ADC數(shù)據(jù)的高信息密度特性，我們分別使用傳統(tǒng)采集方式的全量數(shù)據(jù)和ADC方式20%/50%/100%的數(shù)據(jù)進行了模型訓練，實驗結果表明，僅使用20%的ADC采集數(shù)據(jù)，模型性能就達到全量傳統(tǒng)數(shù)據(jù)的2.7倍。

不同數(shù)據(jù)配比下的模型性能評測

還有比較驚喜的是，ADC數(shù)據(jù)訓練的模型在模擬“傳感器失效”（屏蔽機器人某些攝像頭輸入）的場景中，依然表現(xiàn)出強大的抗干擾能力。從注意力熱力圖中可以觀察到，ADC訓練的模型能夠動態(tài)將注意力集中在有效輸入上，而非分散在無關區(qū)域。對于這種情況，我們認為是由于ADC數(shù)據(jù)采集過程中，有更多的被遮擋或者部分可觀的數(shù)據(jù)情況，提升了模型對目標物體的觀察全面性，從而提高模型的視覺表征能力，這進一步驗證了ADC采集數(shù)據(jù)的多樣性。

此外，通過ADC采集的數(shù)據(jù)，訓練出的模型展現(xiàn)了動態(tài)人機協(xié)同適應與錯誤恢復的能力。例如，在抓取失敗后，機器人能夠自動調整姿態(tài)并重新規(guī)劃路徑完成任務。

04 結語

ADC 技術以數(shù)據(jù)高信息密度與多樣性為核心，重新定義了具身智能的數(shù)據(jù)采集方式。通過GO-1 × ADC的新范式，大幅降低了具身智能的落地門檻，賦能千行百業(yè)。