ROSER：基于few-shot机器人序列检索的可扩展机器人学习

机器人学习的关键瓶颈是任务标注、分段训练数据的稀缺，尽管尽管有大规模机器人数据集以长时间连续交互日志的形式记录。现有数据集包含大量多样化行为，却与需要干净分段、任务特定轨迹的现代学习框架结构不兼容。我们通过正式化机器人序列检索：仅使用少量参考示例从无标签日志中提取可重用、任务中心片段的任务来解决这一数据利用危机。我们引入ROSER，一个轻量级few-shot检索框架，通过在时间窗口上学习任务无关的度量空间，实现仅需3-5个示例即可进行准确检索，且无需任何任务特定训练。为验证我们的ethods，我们建立了全面的评估协议和基准， 将ROSER与经典对齐方法、学习嵌入和语言模型基线进行比较，测试于三个大规模数据集(例如LIBERO、DROID和nuScenes)。我们的实验表明，ROSER在准确性和效率方面始终优于所有先前方法，实现每匹配亚毫秒级推理，同时保持优异的分布对齐。通过将数据整理重新表述为few-shot检索，ROSER为释放利用不足的机器人数据集提供了实用路径，从根本上提高机器人学习的数据可用性。