许华哲团队提出一种用于机器人操作的合成数据方法DemoGen

图.全自动合成的示范生成方法DemoGen

通过定性和定量的实证研究，团队发现：缺乏空间泛化能力是机器人操作策略需要大量数据的一个关键诱因。这一发现揭示了在数据驱动的机器人策略训练过程中普遍存在的、数据采集资源的不合理分配：真正赋予灵巧操作能力的、与物体发生密切接触的技能片段是高度重复的；但是大量的资源被用于实现空间泛化能力，而这通过简单的运动规划即可完成。

图. 空间有效范围的定性可视化与空间泛化能力的定量基准测试

针对上述的空间泛化问题，团队提出的DemoGen方法利用动作规划生成合成动作，利用点云编辑生成合成视觉观测，可以生成出视觉逼真的、针对待操作物体实现空间增强的合成操作数据。同时，作为一种全合成的数据生成方法，DemoGen取得了极高的生成效率，相较于之前的方法提升了四个数量级，从而可以方便地在真实世界中部署。

图. 源示范数据的预处理流程，及动作生成的可视化说明

在仅使用一条人类演示作为原始数据的限制下，团队成功将DemoGen部署到多样化的机器人平台，包含单臂夹爪、单臂灵巧手、双臂人形，进行了大量严格的真机实验，验证了DemoGen方法的有效性。

图. 真实场景下的空间泛化能力评测任务集

此外，团队还演示了通过功能拓展，DemoGen框架可以进一步支持得到对抗外界干扰与避障的分布外泛化能力。

图8.  DemoGen在抗干扰任务中的应用

图 DemoGen在避障任务中的应用

DemoGen可改善机器人操作策略的泛化性。本论文共同一作为研究院实习生、清华大学博士生薛峥嵘，清华大学本科生邓舒颖，通讯作者为研究院PI、清华大学助理教授许华哲。其他作者为研究院实习生陈臻洋，研究院实习生、清华大学本科生王怿轩，研究院实习生、清华大学博士生袁哲诚。

论文信息：

DemoGen: Synthetic Demonstration Generation for Data-Efficient Visuomotor Policy Learning, Zhengrong Xue*, Shuying Deng*, Zhenyang Chen, Yixuan Wang, Zhecheng Yuan, Huazhe Xu†, https://demo-generation.github.io/，RSS 2025