搜索
别急着丢掉「坏数据」：三星团队提出 ε4P，让不完美数据助力高精度机器人操作
2 天前
三星机器人团队提出了一种名为ε4P的新方法，旨在解决机器人精细操作学习中不完美数据利用的问题。传统上，大量不完美数据在直接混合训练时，会拉低模型性能，因此常被丢弃。ε4P方法基于flow matching训练过程中，不同噪声区间模型对动作和任务上下文依赖的差异，将不完美数据分类处理：任务匹配但精度不足的数据用于高噪声区间，提供正确的任务上下文；精度匹配但任务不匹配的数据则用于低噪声区间，提供精准的动作监督。这种方法在不改变模型架构、训练目标和数据采样概率的前提下，充分释放了不完美数据的价值。多项真机测试表明，使用相同数据集时，ε4P相比直接混合训练能显著提升任务成功率，效果远超仅使用目标任务高精度数据的基线。研究还发现，直接混合训练时危害大的数据，其潜在价值未必低。相比调整数据权重，明确数据的适用贡献场景更为关键。使用ε4P方法利用不完美数据，可接近新增等量高精度数据的效果，有望降低机器人操作任务对专门采集的高精度示范数据的依赖，从而减少示教采集成本。
