NEEDLEWORK：使用经过验证的局部拼接离线重写机器人数据

arXiv:2610.02339v1 发布类型：cross 摘要：即使单个回合效率低下或未能成功，机器人演示中仍可能包含有用的行为。轨迹拼接提供了一种将这些行为组合起来、生成改进训练数据的方法，但在高维机器人数据中，识别有用的连接并验证其可行性十分困难，因为许多已有方法依赖低维状态表示。我们提出 NEEDLE，这是一种离线数据增强算法，通过在高维机器人演示中的已记录观测之间添加简短且经过验证的动作桥接，来应对这些挑战。首先，NEEDLE 仅使用 RGB 图像、本体感知信息和回合级结果，无需新的环境交互或特权对象状态，即可识别并创建能够绕过次优绕路、扩大动作覆盖范围的连接，并利用失败轨迹增强原始数据集。随后，我们提出一种采样技术，将被接受的桥接纳入策略训练，而无需合成中间图像或丢弃原始演示，使策略能够学习替代动作，同时保留原始数据集的覆盖范围。在真实机器人任务中，NEEDLE 在每项任务上的成功率都超过最强基线，平均提升 21 个百分点。视频和补充材料见 https://needle-work.github.io/。