Diagnosing Compositional Generalization in Sequential Robot Tasks
论文《Diagnosing Compositional Generalization in Sequential Robot Tasks》研究顺序机器人操作中的组合泛化，将泛化差距分解为边际指令偏移、指令组合偏移和上下文-动作偏移。实验表明，覆盖动作相关依赖的、仅为完整任务空间四分之一的结构化子集即可恢复强分布外性能；稀疏训练失败常源于指令引导而非缺失低级技能，每任务微调一个演示可将OOD成功率从0.4%提升至54.7%。
发展脉络
- 首次出现Diagnosing Compositional Generalization in Sequential Robot TasksarXiv cs.RO
- 当前判断该研究对机器人学习领域具有启示意义：数据收集策略应从穷举所有组合转向结构化覆盖，以降低数据成本。同时，微调少量演示即可显著提升OOD性能，这为实际部署中的快速适应提供了可能。Agent Pulse · 分析
该论文针对顺序机器人操作中的组合泛化问题，提出将泛化差距分解为三个来源：边际指令偏移、指令组合偏移和上下文-动作偏移。通过这种分解，研究者能够诊断稀疏训练覆盖何时足够，以及训练集需要保留何种结构以实现可靠的动作预测。实验结果显示，穷举所有指令元组并非必要：一个覆盖动作相关依赖的结构化子集，即使仅为完整任务空间的四分之一，也能恢复强大的分布外性能。此外，研究发现稀疏训练失败通常源于指令引导问题而非低级技能缺失；仅对每个任务微调一个演示，即可将OOD成功率从0.4%提升至54.7%。该工作为机器人学习中的组合泛化提供了新的诊断工具和训练策略。
论文提出的分解框架将组合泛化差距拆分为三个可量化的部分，有助于定位性能瓶颈。关键发现是，训练数据的覆盖结构比规模更重要：只需覆盖动作相关依赖的结构化子集，即可实现高效泛化。此外，指令引导（instruction steering）被识别为稀疏训练失败的主要因素，而非技能缺失，这提示未来的算法应关注指令与动作的对齐。
该研究对机器人学习领域具有启示意义：数据收集策略应从穷举所有组合转向结构化覆盖，以降低数据成本。同时，微调少量演示即可显著提升OOD性能，这为实际部署中的快速适应提供了可能。
该研究可降低机器人任务中数据收集的成本，通过结构化子集替代穷举组合，加速机器人技能的部署。同时，微调少量演示即可提升性能，有助于快速定制机器人行为，提升产品迭代效率。
未来可验证的信号包括：在更多机器人任务和真实环境中验证该分解框架的有效性；探索自动识别动作相关依赖的方法；以及将指令引导机制集成到策略学习中，以进一步提升稀疏数据下的泛化能力。