0xCarl_(@0xCarl_):其实机器人学习的真正瓶颈在于数据采集的成本，而非模型设计。每次新任务，几百次遥操作起步，换个场景再来一遍，永远在重复最贵的劳动。而 @axisrobotics 与Booster的合作表明，任务对齐的模拟能够在不改变任务结构的前提下，大范围改变光照、视角和物体外观，教会策略应对各种变化。而真实的演示则专注于物理接触与执行噪声，两者互补。实验显示，加入50%-67%的模拟数据后，策略提升率比纯真实数据高出10个百分点。仅用10次真实演示加上50条模拟轨迹，目标接触率便从0跃升至85%。更关键的是通过持续预训练构建Booster专用基础模型，不仅使手腕-目标距离缩短67%，还让小样本微调极为高效，每任务30次演示的表现已超过原始模型60次的结果。这一闭环数据引擎让每一次任务积累都强化整体先验，从而使得下一个任务的构建更加轻松，机器人开发由此从一次性昂贵探索走向可持续复用的工程化流程。

2026.08.26 01:54

其实机器人学习的真正瓶颈在于数据采集的成本，而非模型设计。每次新任务，几百次遥操作起步，换个场景再来一遍，永远在重复最贵的劳动。而 @axisrobotics 与Booster的合作表明，任务对齐的模拟能够在不改变任务结构的前提下，大范围改变光照、视角和物体外观，教会策略应对各种变化。而真实的演示则专注于物理接触与执行噪声，两者互补。实验显示，加入50%-67%的模拟数据后，策略提升率比纯真实数据高出10个百分点。仅用10次真实演示加上50条模拟轨迹，目标接触率便从0跃升至85%。更关键的是通过持续预训练构建Booster专用基础模型，不仅使手腕-目标距离缩短67%，还让小样本微调极为高效，每任务30次演示的表现已超过原始模型60次的结果。这一闭环数据引擎让每一次任务积累都强化整体先验，从而使得下一个任务的构建更加轻松，机器人开发由此从一次性昂贵探索走向可持续复用的工程化流程。

103

Forward to community