Dex1B：使用 10 亿演示学习的灵巧操作
机器学习
2025-11-04 v2 机器学习
摘要
为灵巧手臂操作生成大规模演示仍然具有挑战性，近年来提出了几种方法来解决这一问题。其中，生成模型作为一种有前景的范式，使能够高效创建多样且物理上合理的演示。在本文中，我们引入 Dex1B，这是一个由生成模型产生的大规模、多样且高质量演示数据集。该数据集包含两个基本任务：抓取和关节操作。为构建该数据集，我们提出一种集成几何约束以提高可行性并施加额外条件以提高多样性的生成模型。我们在既定和新引入的仿真基准上对模型进行了验证，其中显著优于先前的研究方法。此外，我们通过实际机器人实验展示了其有效性和鲁棒性。我们的项目页面位于 https://jianglongye.com/dex1b
引用
@article{arxiv.2506.17197,
title = {Schr\"odinger Bridge Matching for Tree-Structured Costs and Entropic Wasserstein Barycentres},
author = {Samuel Howard and Peter Potaptchik and George Deligiannidis},
journal= {arXiv preprint arXiv:2506.17197},
year = {2025}
}
备注
NeurIPS 2025