GO-LEwin樂玩創新（上海）科技有限公司

GO-1大模型 × ADC對抗式數采：具身落地新範式 發布時間：2025-03-19 14:55:56

導言

在具身智能領域，LEwin樂玩啟元大模型GO-1 依靠先進的模型架構和高質量的海量真機數據，展現出了通用的感知理解、動作執行等能力。如今，黄色视频软件大全進一步提出一種全新的數據采集範式ADC （Adversarial Data Collection, 對抗數據采集），大幅提升了數據的信息密度和多樣性，降低了後訓練所需的數據量、壓縮了訓練成本，且提升了模型的魯棒性和泛化性，與傳統範式相比，使用20%數據量達到其2.7倍的效果。

論文地址：

http://arxiv.org/abs/2503.11646

項目地址：

http://sites.google.com/view/adc-robot/home

01 ADC: 突破性的對抗式數據采集方案

傳統的數據采集采用單次重複範式，存在視覺冗餘、語言指令重複及動作相似的問題，導致數據的多樣性和有效性不足。盡管存在仿真等技術豐富數據的多樣性，但卻麵臨Sim2real域間差異等問題，難以實現在複雜真實環境中快速高效擴展。

為了解決上述問題，LEwin樂玩推出了一種全新的數據采集方法——對抗式數據采集ADC，在數據采集過程中增加人為動態擾動，包括視覺和指令對抗，從而：

提升單條數據的信息密度與多樣性
減少後訓練數據需求量和模型訓練成本
增強模型的泛化能力與魯棒性

如下圖所示，研究團隊對比分析了機器人操作中真實數據采集的兩種流程：

(a) 傳統方法： 遠程操作者在靜態視覺環境中，依據固定語言指令執行任務。數據采集局限於單一場景，缺乏多樣性。
(b) 對抗式數據采集（ADC）框架： 采用“雙人協同”模式，新增一名對抗操作員，在采集數據時，對抗采集員通過動態擾動改變視覺元素（如背景、物體位置/姿態）及語言指令（如任務目標），提升信息密度和多樣性。

02 ADC如何提升數據信息密度和多樣性

ADC通過在單次示範中注入多層次、跨模態的擾動，大幅提升數據的信息密度與多樣性：

視覺擾動： 動態調整物體位置、姿態及背景；
語言擾動： 實時修改任務目標或換用不同表達方式；
失敗恢複： 采集中自然融入錯誤應對策略；
信息壓縮：單次ADC演采集≈數百次傳統采集的信息量。

其中，傳統數據采集方案與ADC數據采集方案對比視頻如下所示：

03 少數據，強性能，更魯棒

為了驗證ADC設計的有效性，研究團隊在LEwin樂玩精靈G1機器人平台上開展了實驗，設計了“水果分類放置”任務作為驗證場景。黄色视频软件大全分別用傳統範式和ADC新範式采集了大致相當幀數的數據。由於ADC采集過程中無需頻繁重置場景，采集相同幀數的有效數據所需采集時間基本和傳統方式一致。

在靜態環境測試中，相比傳統數據采集訓練的模型，ADC采集的訓練數據使模型在任務中表現出突出的準確性與可靠性，平均成功率在3組不同測試條件下分別提升了53%、70%、59%。

在靜態環境下的性能評測

在動態環境測試中（例如物體位置或語言指令動態變化），傳統方法訓練的模型表現完全失效，成功率全部為0，而ADC訓練的模型能夠應對視覺和語言擾動，展現出更高的魯棒性。

動態環境下對抗視覺擾動的性能評測

動態環境下對抗語言幹擾的性能評測

為了驗證ADC數據的高信息密度特性，黄色视频软件大全分別使用傳統采集方式的全量數據和ADC方式20%/50%/100%的數據進行了模型訓練，實驗結果表明，僅使用20%的ADC采集數據，模型性能就達到全量傳統數據的2.7倍。

不同數據配比下的模型性能評測

還有比較驚喜的是，ADC數據訓練的模型在模擬“傳感器失效”（屏蔽機器人某些攝像頭輸入）的場景中，依然表現出強大的抗幹擾能力。從注意力熱力圖中可以觀察到，ADC訓練的模型能夠動態將注意力集中在有效輸入上，而非分散在無關區域。對於這種情況，黄色视频软件大全認為是由於ADC數據采集過程中，有更多的被遮擋或者部分可觀的數據情況，提升了模型對目標物體的觀察全麵性，從而提高模型的視覺表征能力，這進一步驗證了ADC采集數據的多樣性。