如何更好地训练 VLA：从 ICRA 2026 的 REAL-I 挑战中汲取的经验教训

机器人政策如何从固定的示范预算中更有效地学习？ ICRA 2026 上的首届真实世界嵌入式人工智能学习 (REAL-I) 挑战赛通过模拟、真实机器人评估以及共享双臂人形平台上的现场决赛来检验这个问题。我们描述了挑战任务、数据和部署接口以及竞赛结果，然后比较了 NUS-CLEAR、RCL-Lab 和 DeepTouch AI 提供的方法。他们的系统将预训练的视觉-语言-动作模型和特定于任务的模仿策略与不同的数据管理、分阶段适应、检查点选择和动作空间设计策略结合起来。该团队的报告强调了适应部署环境、同时保留先前功能、在适当的时间范围内处理演示质量以及抑制不活动机器人组件中的错误的重要性。它们还暴露了离线动作预测指标在预测闭环成功方面的局限性。这些观察激发了对固定数据机器人学习的看法，这种学习集成了数据、适应、评估和部署。