数字表亲 (Digital Cousin) 是由斯坦福大学李飞飞教授领导的团队于 2024 年提出的概念,旨在为机器人训练提供更加高效和经济的解决方案。这一概念改变了机器人学习的方式,引起了广泛的关注。相关论文成果为「ACDC: Automated Creation of Digital Cousins for Robust Policy Learning」。
数字表亲不追求与真实物体一一对应,而是关注相似的几何和语义特质,从而以更低的成本生成实用的训练数据。它是一种虚拟资产或场景,与数字孪生不同,它不明确模拟现实世界的对应物,但仍然展现类似的几何和语义功能。这种方法可以同时降低真实到模拟生成的成本,同时提高学习的普遍性。
数字表亲可以用于机器人训练,通过提供与真实世界类似的虚拟环境来训练机器人策略,同时降低成本并提高跨域泛化能力。这种方法通过从单个 RGB 图像生成完全交互式的模拟场景,由 3 个连续步骤组成:信息提取、数字表亲匹配和场景生成。
实验结果显示,通过数字表亲训练的机器人策略在零样本虚拟到真实迁移中取得了 90% 的成功率,远超以数字孪生训练的 25% 。这表明数字表亲在分布内和分布外都有比较好的性能,证明了其在泛化性上的优势。