斯坦福 Mulligan:瞄准失败初始状态采数据,2550 次盲评超越均匀采集
ZhaoMandi · x · 2026-10-10
斯坦福团队(含 Shuran Song、Chelsea Finn)发布 Mulligan 项目，研究如何让机器人学习可扩展——在部署中边干边学，高效利用仍需的人类协助。
核心方法：性能引导的数据采集。每轮部署中机器人在真实环境执行高精度操作任务，失败时由操作员介入纠正；下一轮将采集集中在初始状态分布中策略仍失败的部分，而非均匀随机采集——因为随着策略进步，失败会集中在少数初始状态，均匀采集大多落在已能成功的场景，浪费操作员时间。
在 3 个真实任务上、共 2550 次严格盲评(协议保证统计严谨性)中，同等操作员预算下 Mulligan 显著优于均匀采集。论文、代码与数据均已公开。
「具身」频道最新
- Starkey 发布 Omega AI+ 助听器：G4 生成式 AI 处理器加四路 DNN — BrandonSawalich · 2026-10-10
- Wayve 创始人晒与 Stellantis 合作的 AI 驾驶穿行都灵街头 — alexgkendall · 2026-10-10
- 192GB 版 Framework Desktop 第二批已售罄 — film_girl · 2026-10-10
- Danu Robotics 创始人六年磨一剑，只为造出更好的垃圾分类机器人 — TechCrunch AI · 2026-10-10
- NVIDIA 基于 GR00T 发布 SSD 拾取机器人部署模型 — _akhaliq · 2026-10-10
- Success-Guided Sampling:纯仿真 RL 零样本实现精细机械臂装配 — kevin_zakka · 2026-10-10