超越多数派：机器人操作的长尾模仿学习
机器人学
2026-02-09 v1
摘要
虽然通用机器人策略在通过模仿学习获取多样化操作技能方面具有巨大的潜力，但其性能常受训练演示中长尾分布的制约。基于此类数据学习的策略——数据严重偏向于少数数据丰富的头部任务——在面对广泛数据稀缺的尾部任务时常表现不佳。本文对固有于策略学习中的长尾挑战进行了全面分析。我们的分析首先表明，常规的长尾学习策略（如重抽样）对提高策略在尾部任务上的性能效果不佳。随后，我们揭示了这种失败的底层机制，发现数据稀缺直接损害策略的空间推理能力。为克服这一困境，我们引入接近相位增强(APA)，这是一种简洁而有效的方案，通过无需外部演示的方式将数据丰富的头部任务的知识传递给数据稀缺的尾部任务。广泛的仿真和真实世界操作任务实验表明，APA的效果显著。我们的代码和演示已公开：https://mldxy.github.io/Project-VLA-long-tail/。
引用
@article{arxiv.2602.06512,
title = {Beyond the Majority: Long-tail Imitation Learning for Robotic Manipulation},
author = {Junhong Zhu and Ji Zhang and Jingkuan Song and Lianli Gao and Heng Tao Shen},
journal= {arXiv preprint arXiv:2602.06512},
year = {2026}
}
备注
accept by IEEE International Conference on Robotics and Automation (ICRA 2026), 8 pages, 6 figures,