物体泛化

策略换到训练时没见过的新物体上，仍能完成同一任务的能力。

物体泛化是评测机器人策略时最常见的一类泛化，指把物体换成训练数据里没出现过的（新类别、新形状尺寸、新颜色材质）后，任务还能不能做成。OpenVLA 的评测把它拆得更细：颜色外观变化算视觉泛化，大小形状变化算物理泛化，没见过的目标物体算语义泛化。它重要是因为真实家庭和工厂里的物体种类几乎无穷，不可能每样都采数据。2024 年一项模仿学习数据缩放研究发现，策略对新物体的泛化随训练物体种类数呈幂律增长，物体多样性比单纯堆演示条数更管用。

例子只用 3 种杯子采了「把杯子放到盘子上」的演示，测试时换成没见过的马克杯、纸杯和玻璃杯，看成功率掉多少。

也叫

新物体泛化、未见物体泛化

相关

泛化、场景泛化、位置泛化（空间泛化）、语义泛化、视觉泛化、零样本

来源

OpenVLA: An Open-Source Vision-Language-Action Model
Data Scaling Laws in Imitation Learning for Robotic Manipulation