RoboGene: 通过多样性驱动的代理框架提升 VLA 预训练以实现真实世界任务生成
机器人学
2026-02-20 v2 人工智能
机器学习
摘要
通用机器人操作的追求受限于稀缺的多样化真实世界相互作用数据的不足。与视觉或语言领域的数据收集不同，机器人数据收集是主动过程，造成高昂的物理成本。因此，自动任务精选以最大化数据价值仍是一个关键且鲜有人关注的挑战。现有的手动方法不可扩展，且倾向于常见任务，而即插即用基础模型常常会产生不可行的指令。为此，我们引入RoboGene，一个设计用于自动生成跨单臂、双臂和移动机器人多样化、物理上可行操作任务的代理框架。RoboGene集成了三个核心组件：用于广泛任务覆盖的多样性驱动抽样、用于强制执行物理约束的自反思机制以及用于持续改进的人类在环精炼。我们进行了大量定量分析和大规模真实世界实验，收集了18k条轨迹数据，并引入了新指标来评估任务质量、可行性和多样性。结果表明，RoboGene显著优于最先进的基础模型（如GPT-4o、Gemini 2.5 Pro）。此外，真实世界实验表明，预训练RoboGene的VLA模型实现更高的成功率和更好的泛化能力，凸显了高质量任务生成的重要性。我们的项目已公开，地址为https://robogene-boost-vla.github.io。
引用
@article{arxiv.2602.16444,
title = {RoboGene: Boosting VLA Pre-training via Diversity-Driven Agentic Framework for Real-World Task Generation},
author = {Yixue Zhang and Kun Wu and Zhi Gao and Zhen Zhao and Pei Ren and Zhiyuan Xu and Fei Liao and Xinhua Wang and Shichao Fan and Di Wu and Qiuxuan Feng and Meng Li and Zhengping Che and Chang Liu and Jian Tang},
journal= {arXiv preprint arXiv:2602.16444},
year = {2026}
}