机器人领域中的scaling law：清华高阳团队通过复现斯坦福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。
📝
内容提要
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。
🎯
关键要点
- 七月线下营中学员复现UMI，丁老师分享fastumi的改进。
- UMI面临硬件成本高和SLAM算法复杂的局限性。
- 清华高阳团队尝试复现UMI，但效果不佳，使用了昂贵的国外硬件。
- 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。
- 在低示范比例下，机器人表现突出，尤其在对象泛化方面。
- 数据缩放定律实验使用Open X-Embodiment数据库，目标是促进正迁移学习。
- 清华高阳团队的目标是消除微调需求，直接在新环境中部署策略。
- 策略学习采用扩散策略和CNN模型，进行实时控制。
- 验证评估通过严格测试确保结果可靠，减少主观偏见。
- 对象泛化和环境泛化的实验结果显示，训练对象数量增加能提高泛化能力。
❓
延伸问答
UMI的主要局限性是什么？
UMI面临硬件成本高和SLAM算法复杂的局限性。
清华高阳团队在复现UMI时遇到了什么问题？
清华高阳团队使用昂贵的国外硬件复现UMI，但效果不佳，未达到原始论文中的效果。
数据缩放定律实验的目标是什么？
数据缩放定律实验旨在描述泛化能力如何依赖于环境、对象和演示的数量，并确定有效的数据收集策略。
如何提高机器人在低示范比例下的泛化能力？
增加训练对象和环境数量能显著提升机器人在低示范比例下的泛化能力。
清华高阳团队的策略学习采用了什么技术？
他们采用扩散策略和基于CNN的U-Net模型进行策略学习。
在对象泛化实验中，训练对象数量如何影响策略表现？
随着训练对象数量的增加，策略在未见对象上的表现一致性提高，所需示范数量减少。
➡️
