Data / 机器人 / 具身 / 实体卡片

Re-Mix（数据混合权重）

论文与基准数据集与格式

用分布鲁棒优化学习机器人数据混合权重，胜均匀权重 38%

链接
arxiv.org

数据配方

作者 Hejna、Bhateja、Jiang、Pertsch、Sadigh。用分布鲁棒优化（DRO）最大化最坏下游域表现，并加入 early stopping、动作归一化与离散化来处理各数据集动作空间与动力学差异。对象是 Open X-Embodiment 中 RT-X 的训练数据 [1]。

结果与证据

学到的域权重平均比均匀权重高 38%，比人工选定权重高 32% [1]。论文指出 RT-X、Octo、OpenVLA 的混合权重皆为专家直觉。

已知缺陷与口径

结论限于 OXE 与所选下游域，是否适用于 UMI/第一视角/仿真多源混合尚无证据。与 π0 的 n^0.43 加权是不同思路（启发式 vs 优化）。

来源

  1. arXiv 2408.14037 (2026-10-14)

相关卡片

跨本体负迁移与数据不均衡概念与方法
多本体混训的权重靠经验，格式统一不等于动作语义统一
Open X-Embodiment (OXE)数据集 · 全球
Google DeepMind 牵头的跨本体机器人数据汇总，22 本体、60 个数据集
π0论文与基准
Physical Intelligence 首个 VLA 基础模型，公开了按任务-本体 n^0.43 加权的预训练混合

卡片整理 2026-10-14。公司自报数据标“公司口径”；⚠️ 为未经独立核实。