RoboCurate：利用经动作验证的神经轨迹多样性机器人学习
机器人学
2026-02-24 v1 人工智能
计算机视觉与模式识别
摘要
视频生成模型生成的合成数据在机器人学习中展现出良好的潜力，因而成为可扩展的管道，但往往因生成视频的动作质量不一致而受限。最近的视觉-语言模型（VLM）被用于验证视频质量，但它们在区分物理上准确的视频方面有限，甚至无法直接评估所生成的动作本身。为此，我们引入 RoboCurate，一个新的合成机器人数据生成框架，通过将预测动作与仿真回放进行比较来评估并筛选标注动作的质量。具体而言，RoboCurate 在仿真器中回放预测动作，并通过衡量仿真 rollout 与生成视频运动之间的一致性来评估动作质量。此外，我们通过图像到图像编辑释放观察的多样性，并应用保持动作的视频到视频转换以进一步扩充外观。我们观察到，RoboCurate 生成的数据在使用仅实数据的情况下可实现显著的相对成功率提升：在 GR-1 Tabletop（300 个演示）上实现 +70.1%，在 DexMimicGen 预训练设置中实现 +16.1%，在具有挑战性的真实世界 ALLEX 人形手臂灵巧操控场景中实现 +179.9%。
引用
@article{arxiv.2602.18742,
title = {RoboCurate: Harnessing Diversity with Action-Verified Neural Trajectory for Robot Learning},
author = {Seungku Kim and Suhyeok Jang and Byungjun Yoon and Dongyoung Kim and John Won and Jinwoo Shin},
journal= {arXiv preprint arXiv:2602.18742},
year = {2026}
}
备注
20 pages; 6 figures; Project page is available at https://seungkukim.github.io/robocurate/