内容提要
具身智能技术正在快速发展，核心挑战是操作的泛化能力。京东研究院与多方合作，提出了基于三轮数据驱动的原子技能库构建框架，旨在突破数据瓶颈，提高技能的适应性和效率。这一框架有助于解决数据不足的问题，推动具身智能技术在物流、制造和医疗等领域的应用。
关键要点
-
具身智能技术是通向AGI的必经之路，面临操作泛化能力的挑战。
-
京东研究院与多方合作提出基于三轮数据驱动的原子技能库构建框架。
-
该框架旨在突破数据瓶颈，提高技能的适应性和效率，推动具身智能技术在多个领域的应用。
-
VLA模型在数据可用性与多模态技术推动下不断进展，但复杂环境使得泛化性仍面临挑战。
-
团队提出的原子技能库构建方法可在仿真或真实环境中减少数据需求。
-
VLP Agent通过集成视觉感知、语言理解和空间智能，指导机器人执行任务。
-
VLA技术在通用数据演进中面临任务穷尽问题，提出的三轮数据驱动方法可有效构建技能库。
-
原子技能库的构建旨在降低数据采集成本，增强任务适配能力，提升具身操作的通用性。
-
实验结果表明，所提方法在数据效率和操作性能上优于传统端到端方法。
-
该框架可广泛应用于物流、制造和医疗等领域，促进学术界与产业界的合作。
延伸问答
京东推出的原子技能库框架有什么核心目标？
该框架旨在突破数据瓶颈，提高技能的适应性和效率，推动具身智能技术在多个领域的应用。
具身智能技术面临哪些主要挑战？
主要挑战是操作的泛化能力，即如何在有限的数据下使机器人适应复杂场景并实现技能高效迁移。
三轮数据驱动的原子技能库构建方法如何减少数据需求？
该方法通过将任务分解为可重用的原子技能，结合数据收集与少样本学习，减少了在仿真或真实环境中对数据的需求。
VLP Agent在原子技能库构建中起什么作用？
VLP Agent通过集成视觉感知、语言理解和空间智能，指导机器人执行任务并有效分解端到端任务。
实验结果显示所提方法的优势是什么？
实验结果表明，该方法在数据效率和操作性能上优于传统端到端方法，且能有效适应新任务。
原子技能库的构建对产业应用有什么影响？
原子技能库的构建旨在降低数据采集成本，增强任务适配能力，提升具身操作的通用性，以满足产业应用需求。
