面向实验室自动化的紧凑型任务对齐模仿学习
机器人学
2026-03-03 v1
摘要
机器人实验室自动化传统上依赖精心设计的运动管线和任务特定硬件接口，导致高设计成本和灵活性有限。虽然最近的模仿学习技术可以生成通用机器人行为，但其大型模型大小通常需要高性能计算资源，限制了在实际实验室环境中的应用。本研究提出了一种用于实验室自动化的紧凑型模仿学习框架，采用小型基础模型。我们提出的方法 TVF-DiT 通过紧凑型适配器将自监督视觉基础模型与视觉语言模型对齐，并与基于扩散 Transformer 的动作专家集成。整个模型包含不到 5000 万参数，可在低显存 GPU 上进行推理。在三个真实世界的实验室任务——试管清洁、试管整理和粉末转移——上的实验表明，平均成功率达到 86.6%，显著优于替代的轻量级基线。此外，详细的任务提示改进了视觉语言对齐和任务性能。这些结果表明，经过适当对齐和集成的小型基础模型，能够有效支持在有限计算资源下的实际实验室自动化。
关键词
引用
@article{arxiv.2603.01110,
title = {Compact Task-Aligned Imitation Learning for Laboratory Automation},
author = {Kanata Suzuki and Hanon Nakamurama and Kana Miyamoto and Tetsuya Ogata},
journal= {arXiv preprint arXiv:2603.01110},
year = {2026}
}