机器人学习突破：数据质量胜过数量

近日，智元机器人联合创智学院、香港大学等机构发布了一项关于机器人操作学习的突破性研究成果，首次系统性地分析了数据多样性的三大关键维度：任务多样性、机器人本体多样性与专家多样性。这项研究打破了“数据越多样越好”的传统观念，为构建高效、可扩展的机器人操作系统提供了全新理论依据与实践方向。

研究发现，任务多样性对模型性能提升至关重要。通过对比“专精派”与“博学派”两种数据策略，实验显示，广泛采集多种任务轨迹的“博学派”在多个复杂任务中表现更优，平均性能提升达27%。特别是在制作三明治、倒水等高难度任务中，性能提升幅度高达39%至70%。此外，研究还首次在机器人学习中验证了“扩展定律”（Scaling Law），表明在保持任务多样性的前提下，预训练数据量越大，模型性能提升越稳定、可预测。

另一项重要发现是，跨机器人平台迁移并非必须依赖多本体数据集。仅使用单一机器人平台的高质量数据进行预训练，同样可以实现对多种机器人的良好迁移效果，甚至在样本量增加后反超多本体训练模型。这一结果为降低数据采集与训练成本提供了新思路。

专家多样性方面，研究揭示了操作员行为差异对学习效果的影响。不同操作习惯带来的“速度多模态性”可能引入噪声，干扰模型学习。为此，研究团队提出“分布去偏框架”，通过引入速度模型消除噪声干扰，使模型更专注于核心任务策略的学习。实验表明，该方法在低数据条件下仍能显著提升性能，数据利用效率提高近一倍。

这项研究为机器人学习指明了新方向：比起盲目追求数据数量，更应关注数据质量，识别有效多样性，剔除干扰因素，从而实现更高效、更精准的模型训练。