数据缩放律（模仿学习）

Data Scaling Laws in Imitation Learning (Robotic Manipulation)常用

研究机器人模仿学习里数据怎么增加、泛化能力就怎么提升的规律。

这是清华大学高阳团队（合作单位含上海期智研究院、上海人工智能实验室）2024 年 10 月发布的论文，入选 ICLR 2025 口头报告。团队用手持采集设备 UMI（通用操作接口）采了 4 万多条演示，做了 1.5 万多次真机测试，研究单任务策略在新环境、新物体上的泛化能力如何随数据增长。结论：泛化表现与训练环境数、物体数大致呈幂律关系；环境和物体的多样性比单纯增加演示条数重要得多，每个环境或物体的演示超过一定数量后收益很小。据此他们给出高效采集方案：多换环境，每个环境配一个不同物体、采约 50 条演示。