CEI：用于三维空间跨本体视觉运动策略学习的统一接口
机器人学
2026-01-15 v1
摘要
在大型操作数据集上训练的机器人基础模型在学习通用策略方面展现出了潜力，但由于数据集偏差，它们通常会过拟合于特定的视角、机械臂，尤其是平行夹爪。为了解决这一局限性，我们提出了 Cross-Embodiment Interface (CEI)，这是一个用于跨本体学习的框架，能够实现不同机械臂和末端执行器形态之间的演示迁移。CEI 引入了功能相似性的概念，并使用方向 Chamfer 距离对其进行量化。然后，它通过基于梯度的优化对齐机器人轨迹，随后为未见的机械臂和末端执行器合成观测和动作。在实验中，CEI 在仿真中将来自 Franka Panda 机器人的数据和策略迁移到 3 个任务中的 16 种不同本体，并在 6 个现实世界任务中支持 UR5+AG95 夹爪机器人与 UR5+Xhand 机器人之间的双向迁移，平均迁移率达到 82.4%。最后，我们证明了使用我们提出的技术，CEI 也可以扩展出空间泛化和多模态运动生成能力。项目网站：https://cross-embodiment-interface.github.io/
引用
@article{arxiv.2601.09163,
title = {CEI: A Unified Interface for Cross-Embodiment Visuomotor Policy Learning in 3D Space},
author = {Tong Wu and Shoujie Li and Junhao Gong and Changqing Guo and Xingting Li and Shilong Mu and Wenbo Ding},
journal= {arXiv preprint arXiv:2601.09163},
year = {2026}
}