具身智能体跨域策略迁移综述

机器人学习和具身AI的蓬勃发展引发了对大量数据的日益增长的需求。然而，由于昂贵的数据收集过程和严格的安全要求，从目标域收集充足的无偏数据仍然是一项挑战。因此，研究人员通常求助于易于获取的源域数据，例如仿真和实验室环境，以实现高性价比的数据获取和快速的模型迭代。尽管如此，这些源域的环境和具身形态可能与目标域存在很大差异，这凸显了对有效跨域策略迁移方法的需求。在本文中，我们对现有的跨域策略迁移方法进行了系统综述。通过对域差距的细致分类，我们概括了每种问题设置的总体见解和设计考量。我们还对跨域策略迁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性挑战，并讨论了该领域的潜在未来方向。