深度学习的快速发展离不开规模化的数据集、模型和计算量。在自然语言处理和计算机视觉领域，研究人员已经发现了模型性能与数据规模之间存在幂律关系。然而，机器人领域，特别是机器人操控领域，尚未建立起类似的规模化规律。清华大学的研究团队最近发表了一篇论文，探讨了机器人模仿学习中的数据规模化规律，并提出了一种高效的数据收集策略，仅用一个下午的时间就收集了足够的数据，使得策略能够在新环境和新物体上实现约90% 的成功率。研究人员将泛化能力分为环境泛化

麻省理工学院（MIT）本周展示了一种全新的机器人训练模型，该模型放弃了以往专注于特定数据集的训练方法，转而采用类似大型语言模型(LLMs)训练时使用的海量信息。研究人员指出，模仿学习——即代理通过模仿执行任务的个体来学习——在遇到小的挑战时可能会失败。这些挑战可能包括不同的光照条件、不同的环境设置或新的障碍物。在这些情况下，机器人没有足够的数据来适应这些变化。图源备注：图片由AI生成，图片授权服务商Midjourney团队借鉴了像GPT-4这样的模型，采用了一种粗

麻省理工学院本周展示了一种训练机器人的新模型，旨在解决模仿学习在引入小挑战时可能会失败的问题。研究人员指出，模仿学习在照明、不同环境或新障碍等情况下可能会失败，因为机器人根本没有足够的数据来适应。该团队寻求像 GPT-4这样的模型来寻找一种强力数据方法来解决问题。他们引入了一种名为异构预训练变压器（HPT）的新架构，该架构将来自不同传感器和不同环境的信息汇集在一起。然后使用变压器将数据汇总到训练模型中。变压器越大，输出越好。用户可以输入机器人

["研究人员从斯坦福大学提出了一种名为 Mobile ALOHA 的低成本整体远程操作系统，用于收集关于整体远程操作的数据。","Mobile ALOHA 通过将其放在轮式底座上，扩展了原始 ALOHA 的功能，使其具有移动能力。","研究人员使用静态 ALOHA 数据集进行模仿学习，通过预训练和联合训练，在移动操作任务中取得了良好的性能。","该研究为日常需要整体远程操作的任务提供了一种低成本、高效的数据收集方法。"]

["DeepMind推出新人工智能代理系统，可直接从人类教师学习任务。","系统通过文化传递的模仿学习形式，在不依赖人类数据的情况下学习。","研究发表在《自然》杂志，介绍了模仿学习的过程和优势。","该方法在培训机器人和客户服务系统方面具有重要意义。","DeepMind解决了人工智能培训中的数据收集和隐私问题。"]

["研究展示MimicGen系统能生成大规模机器人训练数据。","通过数字孪生技术，在模拟环境中复制人类操作数据。","仅用不到200个人类演示，自主生成5万个训练数据。","合成数据和模拟对AI发展至关重要，可获得无限训练数据。","MimicGen适用于长序列任务和高精确度任务，如抓放、组装等。"]