TECHNOLOGY · 技术
具身大模型与机器人学习
研究团队提出农业操作仿真到真实机器人学习框架，适配VLA预训练策略
该研究构建基于MuJoCo的农业仿真环境，用演示数据适配Octo与π0.5两个预训练策略，并在Franka Research 3上实机验证。
AI 编撰 · 内容基于所列来源，重要信息请以原文为准
来自arXiv的一篇论文提出面向农业抓取与采摘的仿真在电脑里搭建虚拟世界来测试、训练机器人。成本低、速度快，但和真实世界总有差距。◆ 小白科普 · 现身到真实机器人学习框架，将任务特定演示采集与预训练策略适配相结合。研究团队搭建了基于MuJoCo的农业环境，包含多种番茄植株结构，用于演示采集与受控评测；专家演示通过手柄遥操作Teleoperation由人在远端控制机器人完成动作，并把这些示范记录为训练数据。◆ 小白科普 · 现身采集，并由底层控制器执行机器人动作。
研究选用了Octo和π0.5两个预训练通用机器人策略，先用仿真在电脑里搭建虚拟世界来测试、训练机器人。成本低、速度快，但和真实世界总有差距。◆ 小白科普 · 现身演示进行适配，再借助真实机器人演示在Franka Research 3机械臂像人的手臂一样伸展抓取的装置，是工业自动化里最成熟的机器人形态，也是人形机器人「胳膊」的技术前辈。◆ 小白科普 · 现身上进一步微调。适配后的策略在仿真在电脑里搭建虚拟世界来测试、训练机器人。成本低、速度快，但和真实世界总有差距。◆ 小白科普 · 现身中分别接受分布内、视角与空间偏移以及分布外条件评测，随后开展实机实验，并考察本体感知信息对策略表现的影响。
结果显示，π0.5的任务表现得分高于Octo，且在分布偏移下性能下降更小。作者据此认为，将预训练通用策略与任务特定演示学习结合，在农业操作场景中具有应用潜力。