桥接数据：用跨领域数据集提升机器人技能的泛化能力

Sep, 2021

桥接数据：用跨领域数据集提升机器人技能的泛化能力

Bridge Data: Boosting Generalization of Robotic Skills with Cross-Domain Datasets

Frederik Ebert, Yanlai Yang, Karl Schmeckpeper, Bernadette Bucher, Georgios Georgakis...

TL;DR本文旨在探索在机器人技能学习中实现实用的数据重用，通过使用包含多个任务和多个领域的多样化数据集进行训练，研究表明这种方法可以大大提高机器人在未曾见过的领域和任务中的成功率，大大降低了对采集昂贵的新数据集的需求。

Abstract

robot learning holds the promise of learning policies that generalize broadly. However, such generalization requires sufficiently diverse datasets of the task of interest, which can be prohibitively expensive to collect. In other fields, such as computer vision, it is common to utilize

robot learning data reuse multi-domain datasets multi-task datasets end-to-end skill learning

发现论文，激发创造

RH20T: 用于一次学习多样技能的机器人数据集

本研究旨在解锁机器人实现多模感知的能力，以通过单次模仿学习技术普及各种真实世界技能，通过收集千万级别的真实世界接触式机器人操作记录构建的开源数据集提高任务和动作规划的性能。

Jul, 2023

RoboNet：大规模多机器人学习

本文提出 RoboNet，一个用于共享机器人经验的开放数据库，结合视觉先见性和监督逆模型两种学习算法，用于视觉引导的机器人操作的泛化模型学习，其预训练和微调性能超过使用 4 倍至 20 倍更多数据的机器人特定培训方法。

Oct, 2019

跨领域政策迁移的综合调查和实例研究

通过对现有跨域策略转移方法进行系统审查，我们对每个问题设置的总体见解和设计考虑进行了细致的分类，并对跨域策略转移问题中使用的关键方法进行了高层次讨论。最后，我们总结了当前范式能力之外的开放挑战，并讨论了该领域可能的未来发展方向。

Feb, 2024

跨任务和领域传递良好特征的学习

本文提出一种基于知识迁移和神经网络的方法，使得在新领域中，能够在有限或无额外监督的情况下利用特定领域中已学知识解决新任务，并且在特征空间约束和映射网络方面提出了一些策略，从而在合成到真实的语境下，利用单目深度估计和语义分割任务之间的知识迁移，获取了令人满意的结果。

Jan, 2023

Polybot：在接纳变异性的同时，为多个机器人训练一个策略

通过重新使用大型数据集，提出在多个机器人平台上训练单一策略的关键设计决策，通过对视觉和动作空间的对齐以及对内部表示的对齐来解决机器人平台之间的领域差异，验证了该方法在不同机器人上收集的新任务数据中成功率和样本效率的显著提升。

Jul, 2023

家庭机器人学习：提高泛化性能和减少数据集偏差

研究表明，大多数基于数据驱动的机器人任务都是在实验室环境中收集的大规模数据集上进行训练的，该论文提出了在人们的家庭环境中使用低成本机器人手动搬运收集数据的方法，并开发了一种框架来处理数据中的噪音标签。该模型在采集了 28,000 次抓取数据并针对不同环境条件进行物理性能测试后，相较于实验室收集的数据，展现了明显的 43.7% 的改善，该模型还比其他模型表现 10% 更好。

Jul, 2018

RT-1：用于实际规模控制的机器人变压器

通过开放式训练和高容量结构的机器学习模型，结合具有各种数据多样性的大规模数据集，以实现机器人模型的泛化能力。

Dec, 2022

BridgeData V2：大规模机器人学习数据集

介绍了 BridgeData V2，一个庞大而多样化的机器人操作行为数据集，旨在促进可扩展机器人学习的研究。

Aug, 2023

关于视觉 - 动作预训练数据集的客观观察

通过对机器人的预训练数据集进行集中分析，我们发现常规视觉数据集对于视觉 - 运动表示学习是竞争力强的选择，此外，预训练数据集的图像分布比其规模更为重要，同时简单的正规化策略可以显著改善真实世界策略学习。

Oct, 2023

任务和领域跨界学习

本文提出了一种新的适应性框架，用于跨任务和领域传递知识，通过在一个完全监督域中学习跨任务和领域的知识，使其在只有部分监督域中实现性能增益。实验证明了该框架在两个具有挑战性的任务（即单眼深度估计和语义分割）和四个不同领域（Synthia、Carla、Kitti 和 Cityscapes）中的有效性。

Apr, 2019