机器人学习
机器人学习是让机器人通过机器学习方法自主获取感知、决策和运动技能的研究领域，涵盖强化学习、模仿学习、仿真到现实迁移等技术，旨在使机器人适应复杂多变的现实环境
核心事实
时间轴 (近 90 天)
视觉语言模型（VLM）在机器人学习中具有零样本视频任务进度估计的潜力。
机器人学习领域推动了开放式数据集规范（如RLDS、LeRobotDataset等格式），强调可复现性与互操作性。
多模态数据融合是当前机器人学习研究中被反复验证有效的方向。
Voxel51 是一个端到端多模态数据平台，旨在加速机器人学习，帮助开发者从海量视频和传感器数据中定位关键失败案例、理解失败原因并填补训练数据空白。
在机器人学习中，真实环境遇到的“长尾”场景往往无法通过仿真穷举，必须从实际运行数据中主动挖掘。
李飞飞团队长期倡导视觉与机器人学习，并将其作为具身智能的核心路径。
MEgoVista 类方法论证了不必要求人类改变行为、而是让重建算法去适应遮挡这一路径的可行性，该思路适用于任何涉及手物交互的机器人学习任务。
业界获取机器人演示数据的主流路径包括遥操作采集、仿真生成以及从视频中学习
在机器人学习研究中，训练失败时研究者通常首先怀疑模型架构或超参数选择，而数据质量问题往往是最后才被排查到的因素
机器人数据集包含视觉图像帧、机械臂关节状态、动作序列、时间戳、传感器读数以及多模态同步信息等复杂结构
还有 2 条时间轴事件
全部知识事实 (13)
强化学习在机器人领域面临的核心挑战是样本效率极低，真实机器人完成百万次试错耗时且有硬件损耗风险，促使离线强化学习和仿真到真实迁移成为研究热点
65%待验证视觉语言模型（VLM）在机器人学习中具有零样本视频任务进度估计的潜力。
50%待验证机器人学习领域推动了开放式数据集规范（如RLDS、LeRobotDataset等格式），强调可复现性与互操作性。
50%待验证多模态数据融合是当前机器人学习研究中被反复验证有效的方向。
50%待验证在机器人学习中，真实环境遇到的“长尾”场景往往无法通过仿真穷举，必须从实际运行数据中主动挖掘。
50%待验证Voxel51 是一个端到端多模态数据平台，旨在加速机器人学习，帮助开发者从海量视频和传感器数据中定位关键失败案例、理解失败原因并填补训练数据空白。
50%待验证李飞飞团队长期倡导视觉与机器人学习，并将其作为具身智能的核心路径。
50%待验证MEgoVista 类方法论证了不必要求人类改变行为、而是让重建算法去适应遮挡这一路径的可行性，该思路适用于任何涉及手物交互的机器人学习任务。
50%待验证业界获取机器人演示数据的主流路径包括遥操作采集、仿真生成以及从视频中学习
50%待验证在机器人学习研究中，训练失败时研究者通常首先怀疑模型架构或超参数选择，而数据质量问题往往是最后才被排查到的因素
50%待验证机器人数据集包含视觉图像帧、机械臂关节状态、动作序列、时间戳、传感器读数以及多模态同步信息等复杂结构
50%待验证不同来源的机器人数据可能存在坐标系定义不一致、控制频率差异（从10Hz到100Hz不等）、动作空间表示方式不同等问题
50%待验证机器人数据流必须在毫秒级精度上保持同步才能构成有效的训练样本
50%