不完美的精度：升级不完美的数据以实现高精度机器人操作

训练用于高精度操作的视觉-语言-动作（VLA）模型通常需要特定于任务的高质量数据（例如远程操作），但收集起来既缓慢又昂贵。为了在不影响操作精度的情况下减轻这种负担，我们提出了$\varepsilon$4P（Imperfection for Precision），这是一种简单而有效的方法，可以“升级”两个否则被丢弃的数据源：（1）来自目标任务的低精度数据和（2）来自不匹配任务的高精度数据。 $\varepsilon$4P 不是在整个协同训练过程中天真地混合这些不完美的数据源，而是控制每个数据源沿着流匹配轨迹做出贡献的位置。具体来说，低精度、目标任务数据在高噪声下使用，以保留高级任务上下文，而高精度、任务不匹配数据在低噪声下使用，以传输低级动作精度。通过对亚毫米级高精度任务和粗粒度任务的真实机器人实验，我们证明了所提出的方法（1）有效地利用额外的不完美数据将策略性能提高了31.7个百分点，（2）可以替代等量的特定于任务的高质量数据，平均性能下降仅4.2个百分点。总体而言，$\varepsilon$4P 指向高精度操作的可扩展范式，其中异构的、不完美的数据可以系统地重新利用，以减少对昂贵的特定任务的高质量数据的依赖。更多详细信息请访问此 https URL。