机器人领域中的scaling law：通过复现斯坦福机器人UMI——探讨数据规模化定律(含UMI的复现关键)
原文中文，约3700字，阅读约需9分钟。发表于：。且在和丁老师沟通中，还聊到清华高阳团队也复现了UMI，不过他们是完全用的国外比较昂贵的硬件(Franka机械臂、WSG50夹爪)，且即便如此，竟然也没达到UMI原始论文中的效果，至于原论文中的效果不好复现的原因，则众说纷纭了..此外，我还特地邀请了针对UMI做了改进工作的fastumi作者之一丁老师给大家在线分享，毕竟UMI本身有不少局限性，比如耦合性太强、原装硬件的成本太高(比如UR5e、...
在七月的线下营中，学员们复现了UMI，丁老师分享了fastumi的改进。UMI面临硬件成本高和SLAM算法复杂的局限。清华高阳团队尝试复现UMI，但效果不佳。研究表明，增加训练对象和环境数量能显著提升机器人泛化能力，尤其在低示范比例下表现突出。
