动作可行性过滤

定义与机制

UMI 采集时不知道部署机器人的运动学。做法是用 SLAM 得到的绝对末端位姿，结合机器人基座位置和运动学，逐条检查运动学与动力学可行性，不可行的 demo 丢弃 [1]。这是UMI（Universal Manipulation Interface）管线中把人手动作映射到机器人的关键一步。

证据与数字

• UMI 论文自述该步骤并建议未来研究利用"有效但机器人不可行"的动作做 embodiment-aware 学习 [1]。
• Xiaomi-Robotics-1 的论文只提到后训练去除空闲片段，对缺失动作维度用掩码损失，未披露是否做可行性过滤 [2]。
• 行业说法称早期 UMI 方案可用数据比例或仅约 10%，鹿明称提至 95% 以上（公司口径，均无一手出处）。

争议或反方

• 过滤会偏向保留保守动作，丢掉最灵巧、最快的人类示范，造成分布偏差。
• 过滤只针对一台目标机器人，换本体需重新过滤，削弱 UMI "一次采集多处复用"的卖点。
• 丢弃率缺乏公开统计，难以评估损失。

来源

1. https://arxiv.org/html/2402.10329 (2026-10-14)
2. https://arxiv.org/html/2607.15330 (2026-10-14)