机器人操控中生成式人工智能：一项综述
机器人学
2025-03-12 v2
摘要
本综述全面回顾了生成学习模型在机器人操控中的最新进展，阐述了该领域的关键挑战。机器人操控面临多个关键瓶颈，包括数据不足与数据采集效率低下、长时序复杂任务规划，以及跨多样化环境实现鲁棒策略学习所需的多模态推理能力。为应对这些挑战，本综述介绍了多种生成模型范式，包括生成对抗网络（GANs）、变分自编码器（VAEs）、扩散模型、概率流模型和自回归模型，并突出了它们各自的优势与局限性。这些模型的应用被归纳为三个层次：基础层，聚焦数据生成与奖励生成；中间层，涵盖语言、代码、视觉和状态生成；策略层，强调抓取生成与轨迹生成。每个层次均进行了详细探讨，并介绍了推动该领域前沿发展的代表性工作。最后，本综述概述了未来研究方向与挑战，强调了需提高数据利用效率、更好地处理长时序任务，以及增强跨多样化机器人场景的泛化能力。所有相关资源，包括研究论文、开源数据和项目，均已收集至 https://github.com/GAI4Manipulation/AwesomeGAIManipulation
引用
@article{arxiv.2503.03464,
title = {Generative Artificial Intelligence in Robotic Manipulation: A Survey},
author = {Kun Zhang and Peng Yun and Jun Cen and Junhao Cai and Didi Zhu and Hangjie Yuan and Chao Zhao and Tao Feng and Michael Yu Wang and Qifeng Chen and Jia Pan and Wei Zhang and Bo Yang and Hua Chen},
journal= {arXiv preprint arXiv:2503.03464},
year = {2025}
}