Axis Robotics 研究称仿真数据可减少机器人训练实采需求

从数字孪生到数据引擎：用模拟驱动的机器人学习减轻真实数据负担

教机器人完成一项新任务可能需要数百次遥操作演示。对于基础模型而言，适配一台全新机器人的数据成本会高出好几个数量级——还需要专用硬件、训练有素的操作人员、数月的工程投入。

我们在@boosterobotics的双臂机器人上，从两个层面研究了这个问题：

✱ 专用模型层面：任务对齐的模拟混合少量真实演示，能否减轻真实数据负担？✅ 可以。仅用10次真实演示时，策略在物理部署中完全没能完成接触（0/20）。加入50条模拟轨迹后，接触成功率提升到17/20。

✱ 基础模型层面：跨任务积累的数据能否构建可复用的起点（Booster专用模型先验）？✅ 可以。全参数继续预训练后，每个任务仅用30次演示适配得到的模型，表现超过了原模型用两倍数据训练的结果：模拟评估中为14/16 vs 10/16。

在任何任务专属适配之前，零样本模拟条件下，它已经和目标的距离缩短了约3倍（从17.27厘米缩短至5.78厘米）。

这项工作基于Axis Suite运行，它是我们支持不同机器人构型的Physical AI解决方案。分布式贡献者可以在Axis Hub上大规模生成任务对齐模拟数据，既减少了专用适配对真实数据的需求，又能支撑跨构型的通用模型训练。