Robot Data Scaling: 合成数据规模化泛化定律

具身智能的数据瓶颈

对于传统语言模型，互联网提供了万亿量级的文本；但对于机器人，真实世界 Teleoperation（遥操作采集）成本极高：

• 单小时采集成本高达数百元
• 极端边界工况（如易碎品碎裂、碰撞自保）无法安全实机采集

合成数据流水线架构

我们的合成数据流水线由三大模块驱动：

1. 场景多样性程序化生成 (PCG + LLM Scene Graphs)
2. 物理域随机化 (Domain Randomization)：摩擦系数、光照反射率、物体质量动态抖动
3. 轨迹自演进过滤 (Reward-guided Filtering)

通过以上流水线，模型在仅使用 10% 真实数据配比的情况下，策略成功率达到了与全真实数据训练持平的效果。