学习一千种每日任务
摘要
人类在演示中学习任务方面极其高效，但当今的机器人操控仿射学习方法往往需要每个任务数百或数千次演示。我们研究两种基本先验，以提高学习效率：将操控轨迹分解为顺序对齐和相互作用阶段，以及基于检索的泛化。通过3,450次真实世界的rollout，我们系统地研究了这种分解。我们比较不同的对齐和相互作用阶段设计选择，检视相对于基于行为克隆的单阶段单体化策略的泛化和规模趋势。在少量演示/任务的情形下（<10次演示），分解在数据效率上比单阶段学习提高了一个数量级，检索在对齐和相互作用中始终优于行为克隆。基于这些见解，我们开发了Multi-Task Trajectory Transfer（MT3），这是一种基于分解和检索的仿射学习方法。MT3可从每项任务仅一个演示中学习日常操控任务，同时也能泛化到新颖的物体实例。这种效率使我们能够在不到24小时的人类演示者时间内教会机器人完成1,000项不同的日常任务。通过2,200次额外的真实世界rollout，我们揭示了MT3在不同任务族中的能力与局限性。实验视频可在 https://www.robot-learning.uk/learning-1000-tasks 查看。
引用
@article{arxiv.2511.10110,
title = {Learning a Thousand Tasks in a Day},
author = {Kamil Dreczkowski and Pietro Vitiello and Vitalis Vosylius and Edward Johns},
journal= {arXiv preprint arXiv:2511.10110},
year = {2025}
}
备注
This is the author's version of the work. It is posted here by permission of the AAAS for personal use, not for redistribution. The definitive version was published in Science Robotics on 12 November 2025, DOI: https://www.science.org/doi/10.1126/scirobotics.adv7594. Link to project website: https://www.robot-learning.uk/learning-1000-tasks