[논문 리뷰] Towards Generalizable Robotic Data Flywheel: High-Dimensional Factorization and Composition

Yuyang Xiao, Yifei Zhou외 3명|arXiv (Cornell University)|2026. 03. 26.

Domain Adaptation and Few-Shot Learning인용 수 0

한 줄 요약

F-ACIL을 도입한, 객체, 행동, 환경 공간으로 로봇 데이터를 요인화하는 구성적 반복 학습 프레임워크로 일반화를 가능하게 하며, 5–10배 적은 시연으로 45% 이상 성능 향상을 달성.

ABSTRACT

The lack of sufficiently diverse data, coupled with limited data efficiency, remains a major bottleneck for generalist robotic models, yet systematic strategies for collecting and curating such data are not fully explored. Task diversity arises from implicit factors that are sparsely distributed across multiple dimensions and are difficult to define explicitly. To address this challenge, we propose F-ACIL, a heuristic factor-aware compositional iterative learning framework that enables structured data factorization and promotes compositional generalization. F-ACIL decomposes the data distribution into structured factor spaces such as object, action, and environment. Based on the factorized formulation, we develop a factor-wise data collection and an iterative training paradigm that promotes compositional generalization over the high-dimensional factor space, leading to more effective utilization of real-world robotic demonstrations. With extensive real-world experiments, we show that F-ACIL can achieve more than 45% performance gains with 5-10$ imes$ fewer demonstrations comparing to that of which without the strategy. The results suggest that structured factorization offers a practical pathway toward efficient compositional generalization in real-world robotic learning. We believe F-ACIL can inspire more systematic research on building generalizable robotic data flywheel strategies. More demonstrations can be found at: https://f-acil.github.io/

연구 동기 및 목표

• 일반 모델용으로 다양하고 데이터 효율적인 실세계 로봇 데이터의 부족 문제를 해결한다.
• 객체, 행동, 환경에서의 고차원 변이를 포착하기 위해 요인화된 데이터 표현을 제안한다.
• 요인 공간 전반에 걸친 구성적 일반화를 촉진하는 순차적이고 데이터 효율적인 데이터 수집 전략을 개발한다.
• 실세계의 Pick-and-Place 및 Open-and-Close 작업에서 실증적 이득을 입증한다.

제안 방법

• 로봇 데이터를 구조화하기 위해 S ≈ O × A × E로 요인화된 상태 공간을 정의한다.
• Object를 (texture, geometry, size)로 요인화한다; Action은 (x, y, z, roll, pitch, yaw); Environment은 Macro/Micro로 구성하고 빛, 색온도, 그림자, 재질, 혼잡도 등의 요인을 포함한다.
• 요인별 구성 및 반복적 데이터 수집 파이프라인을 도입하여 데이터가 먼저 O를 따라 확장되고, 그다음 OA, 그다음 OAE로 확장되며 궤도 기반 일반화 분석에 따라 안내된다.
• 반복 알고리즘(Alg. 1 및 Alg. 2)을 사용하여 요인 공간의 궤도가 전체 공간을 감소된 샘플로 커버하는 최소 데이터 세트를 구축한다.
• 고정 백본으로 VLA 정책을 학습하고, F-ACIL의 요인 인식 샘플링을 통해 시연을 수집하여 데이터 효율성을 향상시킨다.

실험 결과

연구 질문

• RQ1 F-ACIL은 요인 공간(O, A, E)의 전체 곱(product)에서 일반화를 달성할 수 있는가?
• RQ2 요인 인식적 반복 학습이 순진한 전체 공간 탐색에 비해 로봇 데이터 플라이휠을 얼마나 가속하는가?
• RQ3 고정된 시연 예산 하에서 구성적 일반화를 어떻게 활용하여 데이터 효율을 향상시킬 수 있는가?
• RQ4 요인 공간 차원 수의 증가가 정책 성능에 어떻게 영향을 미치는가?

주요 결과

• F-ACIL은 45% 이상 성능 향상을 달성한다.
• 필요한 시연 수는 요인 인식 접근 방식을 사용하지 않는 전략보다 5–10배 적다.
• 요인 구성의 신중하게 설계된 조합과 반복 확장이 고차원 공간 전반에서 일반화를 가능하게 한다.
• 효과적인 구성적 일반화는 작업 간 전달 가능한 구조를 반영하는 요인 비율 선택에 달려 있다.
• 순차적 요인 확장(O → A → E)은 상당히 감소된 데이터로 전체 공간 커버리지를 달성할 수 있다.