来源 OXE-AugE: A Large-Scale Robot Augmentation of OXE for Scaling Cross-Embodiment Policy Learning（ICML 2026 Spotlight）
作者 Guanhua Ji, Harsha Polavaram, Lawrence Yunliang Chen, Sandeep Bajamahal, Zehan Ma, Simeon Adebola, Chenfeng Xu, Ken Goldberg

具身智能现在最贵的，不一定是模型，而是换机器人。

同一个抓取策略，在Franka上跑得很稳，换成UR5e、xArm，甚至只换一个夹爪，成功率都可能掉点。VLA虽然吃了海量数据，但大量示教仍和具体硬件深度绑定。数据看起来很大，embodiment coverage却不大。

行业一边想做“一套策略控多种机器人”，另一边却还在为每个新本体重复采数、微调。

OXE-AugE给出的突破很直接：把已有真实轨迹批量“改造成”多种机器人版本，让robot embodiment本身成为新的data scaling维度。

 全套《跨本体机器人学习与数据增强资料包》已整理完毕，内含OXE-AugE论文精读、AugE-Toolkit方法拆解、VLA跨本体实验对比和后续创新选题方向，以及近年相关顶会顶刊论文合集。

免费发给你。获得方式在这👇：

点击跳转

01｜数据多了，为什么换台机器人还是掉点？

OXE汇集60多个机器人数据集，是通用机器人策略的重要数据底座。

但论文指出，Franka、xArm、KUKA iiwa和Google Robot四类机器人，占超过85%的真实轨迹。

这意味着policy学到的未必全是任务能力，还可能混进robot-scene shortcut。机械臂颜色、连杆形态、夹爪外观，都可能被模型当成捷径；一到新硬件，这些shortcut一起失效，形成典型的embodiment bias。

OXE-AugE因此不是简单扩量，而是扩本体分布：从16个常用OXE子数据集出发，引入9种机器人本体，最终得到超过440万条轨迹，规模达到原OXE三倍以上。

图1｜从多数据集走向多本体：OXE-AugE的数据版图
对应论文 Figure 1

02｜一条真实轨迹，怎么“变成”多台机器人？

机器人数据增强不能只换皮。可训练轨迹除了RGB observation，还绑定末端位姿和action。源数据可写为：

单条轨迹为：

其中 是视觉观测， 是夹爪6D pose， 是动作。目标不是生成一段“像另一台机器人”的视频，而是让新的图像、pose和action继续对齐，能直接进入policy training。

AugE-Toolkit走cross-painting路线：移除源机器人、补背景，再在仿真中让目标机器人重放同一条末端轨迹，最后合成回真实场景。

分割融合SAM2 mask与simulation mask，背景由E2FGVI补全，轨迹在MuJoCo中做kinematic replay。对不同reach、scale的机械臂，系统会自动搜索base pose，用OSC追踪源轨迹；不可达样本直接过滤。

关键在于新本体接入成本低：注册URDF即可进入augmentation pipeline。

图2｜AugE-Toolkit：从真实示教到目标机器人轨迹的Cross-Painting管线
对应论文 Figure 2

03｜本体多样性，开始出现Scaling效应

训练时，多本体数据与source data直接混合：

作者在Robosuite中以Franka为source，增强到UR5e、Kinova Gen3、Sawyer和Jaco，测试robustness、transfer和unseen embodiment generalization。

只用Franka训练的policy，一遇到lighting shift或visual occlusion就明显掉点；加入更多机器人后，鲁棒性持续回升。

更关键的是OOD机器人：目标机器人完全没参与训练时，augmentation diversity越高，zero-shot成功率越高，部分设置甚至接近直接用目标机器人增强数据训练。

这说明多本体训练正在逼policy放弃“认机械臂”，转而关注gripper-object geometry、目标位置和动作结果。Embodiment Diversity，本身开始像一条Scaling Axis。

图3｜机器人增强越多，Transfer与Unseen Embodiment Generalization越强
对应论文 Figure 4

04｜OpenVLA、π0上真机，最高提升45%

论文随后用OXE-AugE post-train OpenVLA-OFT和π0，并测试Franka原生夹爪，以及训练阶段完全没见过的定制Robotiq++夹爪，相当于专门制造一个hardware OOD。

四个Bridge manipulation任务上，完整N×增强后，OpenVLA-OFT平均提升24%，π0平均提升45%；在未见过的Robotiq++上，两者平均成功率分别达到75%和82%。

这组结果的价值在于：VLA跨本体，不一定只能靠每台新机器人补真机数据。 如果data engine能主动制造足够多的embodiment variation，post-training阶段就可能提前学到更硬的硬件泛化。

图4｜真机验证：OpenVLA-OFT与π0都吃到了多本体数据红利
对应论文 Figure 5

05｜数据竞争，可能从“采更多”转向“复用更多”

过去常见闭环是collect → finetune → deploy。换一个arm、gripper或camera setup，数据闭环重新跑一遍。

OXE-AugE试图改成：

reuse → augment → scale

真实示教仍是“母数据”，但资产利用率被放大：一条昂贵的真机轨迹，不再只属于一套hardware stack，而可以派生多个embodiment版本，给VLA更密集的跨本体监督。

当前方法也有边界：主要在2D图像空间合成，对复杂robot-object occlusion、接触动力学、动态操作和双臂任务覆盖有限。

但它留下了一个问题：当VLA进入data engine竞争，真正拉开差距的，也许不再是谁采得最多，而是谁能让同一份真实数据跨更多本体持续复用。

机器人数据的下一条Scaling Axis，可能就是Embodiment。

---

全套《跨本体机器人学习与数据增强资料包》已整理完毕，内含OXE-AugE论文精读、AugE-Toolkit方法拆解、VLA跨本体实验对比和后续创新选题方向，以及近年相关顶会顶刊论文合集。

免费发给你。获得方式在这👇：

点击跳转