点击下方 卡片 ，关注" 具身智能 之心 "公众号 在大规模数据集（如 Open X-Embodiment，简称 OXE）上训练的通用机器人策略在各类任务中表现出较强性能。然而，它们往往难以超出训练数据的分布范围进行 泛化。 本文探究了这种泛化能力受限的根本原因， 发现捷径学习 —— 即对与任务无关特征的依赖 —— 是阻碍泛化的关键因素。 通过全面的理论与实证分析，我们揭示 了导致捷径学习的两个主要原因：（1） 单个子数据集内部多样性有限 ；（2） 子数据集之间存在显著的分布差异，进而导致数据集碎片化 。 这些问题源于 OXE 等大规模数据集的固有结构 —— 这类数据集通常由多个子数据集构成，而这些子数据集是在不同环境和机器人形态下独立收集的。 我们的研究结果为改进机器人数据集收集策略提供了重要见解，有助于减少捷径学习并提升通用机器人策略的泛化能力。此外，在获取新的大规模数据不切实际的 场景中，本文证实， 精心选择的机器人数据增强策略能够有效减少现有离线数据集中的捷径学习，从而提升通用机器人策略（如 ）在仿真和真实环境中的泛化 能力 。 论文标题 ： Shortcut Learning in Generali ...