机器人学习是指机器人通过模仿学习、强化学习等机器学习方法获取感知与操作能力的技术方向,被视为连接大模型与物理世界的关键路径。近期研究呈现明显的两条主线:一是借助视觉语言模型(VLM)降低数据采集与奖励设计的成本,二是通过多机器人协同与跨具身迁移提升真实场景下的泛化能力。
机器人学习近期进展
当前焦点与观察点
当前机器人学习的争议集中在三处。其一是数据的性价比:人类视频和演示能否替代大规模真机采集,尚缺乏一致性结论;其二是测试时计算的价值,实证审计:Cosmos Policy 上测试时搜索何时有效 表明推理期搜索并非普遍增益,需要明确适用边界。其三是安全与隐私,Federated VLA 适配的安全问题:人类纠正数据如何跨机器人共享 提醒多机器人共享纠正数据时存在泄露风险。
评测方法也是短板。Sensorimotor Alignment:衡量具身模型能力的新型离线指标 反映业界对离线评估能否预测真实表现的关注。未来值得观察:VLM 作为奖励模型与数据采集器能否形成标准化流程,以及多机器人经验共享在真实部署中的规模上限。