文章核心观点 - 由北京智源人工智能研究院、清华大学、东南大学等机构团队提出的MOVE技术，通过让数据“动起来”的动态采集范式，从根本上解决了机器人因环境变化（如物体位置、相机视角改变）而“水土不服”的泛化能力痛点，实现了用更少数据获得更强性能的突破 [2][5][19] 技术原理与创新 - MOVE技术的核心理念是让关键物体在数据采集过程中“动起来”，使一条训练轨迹包含无数种空间状态，从而大幅提升数据效率 [2] - 技术通过三类可控的运动增强来实现动态数据采集：物体平移（让待抓取物体和目标落点沿线性轨迹移动并反弹）、物体旋转（控制不对称物体如带把手杯子匀速旋转）、相机运动（在仿真环境中让相机沿圆柱形路径移动）[7][8] - 技术团队还会根据任务语义（如抓取阶段、放置阶段）拆分轨迹并针对性施加运动，使机器人在动态中学习分阶段适配策略 [8] - 一条MOVE轨迹从孤立的“空间点”变为包含丰富空间配置信息的“空间曲线”，实现了数据采集范式的根本性革新 [9][18] 性能表现与数据 - 模拟环境测试：在Meta-World基准的10个操控任务中，采用MOVE技术的机器人平均成功率达到39.1%，相比传统静态采集的22.2%，相对提升高达76.1% [12] - 真实场景测试： - 在橙子抓取放置任务中，2万步的MOVE数据集性能可媲美5万步的静态数据集 [14] - 在装配任务中，5万步的MOVE数据集可达到10万步静态数据集的效果 [14] - 泛化能力测试：在未训练过的区域（圆圈外），MOVE的成功率达到67.4%，远超传统方案的44.6% [14] - 数据效率优势： - 仅用3.5万步数据，MOVE的成功率就达到23.3%，而传统静态采集需要7.5万步才能达到同等水平 [21] - 当数据量提升至7.5万步时，MOVE的成功率飙升至36.7%，其任务完成度综合评分达到0.522，远超传统方案的0.389 [21] 技术对比优势 - 相较于2025年3月提出的ADC（对抗式数据采集）方法，MOVE实现了更根本性的革新 [16][18] - ADC是对静态数据采集的“局部优化”，主要依靠离散位置重置来缓解数据稀疏问题 [18] - MOVE凭借连续动态增强、多维度组合扰动、分阶段任务适配等设计，实现了空间信息密度与泛化能力的跨越式提升 [18] - 在Pick&Place、Push、Assembly等10项典型任务中，MOVE将机器人平均成功率从ADC方案的0.276提升至0.391 [20] 行业意义与影响 - MOVE技术重构了机器人数据采集范式，从“静态单点采样”转向“动态连续采样” [19] - 该技术能大幅降低机器人在家庭、工厂、物流等真实场景落地的成本和门槛，因为它无需耗费大量资源采集海量静态数据，仅通过动态增强就能让机器人适应多变环境 [22] - 技术为机器人的空间泛化能力打开了新的想象空间，推动机器人摆脱“实验室依赖”，迈向通用具身智能 [22]