RAPID 破解具身智能数据困局

AI 解读（根据原文生成）

文章整理了茅佳源在 IROS 2026 的演讲，介绍 UPenn、MIT 与 Stanford 团队围绕具身智能泛化的工作。其思路从端到端数据拟合转向世界建模与规划：用神经符号表示抽象物体属性与状态转移，将动作生成转为约束优化，并在 RAPID 中通过 Coding Agent 与 Real2Sim 校验器形成闭环，从单次演示生成可复用的以物体为中心的约束程序。文中还提到 TR 指标和基于 TR 的自适应引导机制，真机泛化成功率提升到 83%；RAPID 论文链接已给出。

要点（AI 据原文整理，数字均已与原文核对）

• 基于 TR 的自适应引导机制将双臂机器人在复杂组合任务上的真机泛化成功率提升到了 83%。
• Actor Labs 的挖掘机实验展示中仅用200 条轨迹成功完成了一项任务。
• 传统模型规划在物品悬挂任务中单次求解动辄超过 5 分钟。
• 代表性纯数据驱动方法在 10 万个合成水杯数据上训练，单次演示泛化成功率仅有 42%。
• MAGIC 项目中的框架通过视觉对应关系引导约束优化，仅凭单次演示就将成功率提升到了 93%。
• RAPID 面向接触丰富、非抓取操作，仅需单次人类演示即可学习。