训练数据爆减至1/1200！清华 & 生数发布国产视频具身基座模型，高效泛化复杂物理操作达SOTA水...

主要观点总结

清华大学与生数科技联合研发的Vidar模型实现机器人通过普通视频学习实际物理操作。Vidar模型长出“手脚”，通过少样本泛化能力实现从虚拟世界到真实世界物理执行的关键跨越。使用百万异质机器人视频数据进行再训练，大幅降低在机器人上大规模泛化的数据门槛。突破跨本体泛化困境，解决当前主流视觉-语言-动作模型的数据稀缺和机器人本体不统一的问题。Vidar模型具有高精度预测和适应各种物理环境的能力，在真实世界任务中表现出色。

关键观点总结

关键观点1: Vidar模型简介

Vidar模型是清华大学与生数科技最新联合研发的机器人模型，通过视频预测完成指定任务的视频，经过逆动力学模型解码为机械臂动作。

关键观点2: 模型的突破与创新

Vidar模型实现了机器人通过普通视频学习实际物理操作的能力，具有少样本泛化到新的机器人本体的能力，解决了数据稀缺和机器人本体不统一的问题。

关键观点3: 模型的技术细节

Vidar模型的技术包括统一观测空间、百万具身数据预训练、目标机器人微调等。同时，引入了逆动力学模型和自动化规模化收集任务无关动作数据的方法ATARA。

关键观点4: 模型的实验成果

Vidar模型在真实世界任务中取得了显著成果，在16种常见的机器人操作任务上远超基线方法的成功率，同时在未见过的任务和背景上也表现出了良好的泛化能力。

关键观点5: 团队介绍

该项目的团队成员来自清华大学计算机系TSAIL实验室，包括博士生冯耀和谭恒楷等，他们在人工智能领域具有丰富的经验并多次发表论文。

免责声明