SIEVE: Structure-Aware Data Selection for Imitation Learning with VLA Models

📄 arXiv: 2607.06442v1 📥 PDF

作者: Changti Wu, Bin Yu, Zhaolong Shen, Shijie Lian, Xiaopeng Lin, Cong Huang, Zhirui Zhang, Lei Zhang, Kai Chen

分类: cs.RO

发布日期: 2026-07-07

备注: The code is available at \href{https://github.com/ChangtiWu/SIEVE}{SIEVE}

💡 一句话要点

提出SIEVE以解决VLA模型模仿学习中的数据选择问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 视觉-语言-动作 模仿学习 数据选择 可重用结构 机器人学习

📋 核心要点

  1. 现有的模仿学习方法在数据选择上存在不足，无法有效利用长时间行为中的可重用结构，导致训练效率低下。
  2. SIEVE通过将演示视为可重用原语的组合，优化数据选择过程，最大化重用结构的曝光，从而提高模仿学习的效率。
  3. 实验结果显示，SIEVE在使用50%演示和50%训练步骤的情况下，性能超过全数据训练，表明可重用结构的重要性。

📝 摘要（中文）

视觉-语言-动作（VLA）模型通常通过模仿学习在大规模机器人演示数据集上进行训练，但更多的数据并不一定能产生更好的策略，原因在于数据的冗余、噪声和覆盖不均。现有的数据选择方法往往在轨迹或状态-动作层面进行评估，忽视了构成长时间行为的可重用结构。本文提出了SIEVE，一种面向结构的数据选择方法，旨在提高VLA模仿学习的效率。SIEVE将演示视为可重用原语和过渡接口的组合，首先从分段轨迹中发现视觉-运动原语，然后通过最大化重用感知的结构曝光来分配选择预算，最后在每个组合模式桶中选择中位轨迹，以保留中心、稳定且适合模仿的演示。实验表明，SIEVE在多个数据集和基准测试中始终优于竞争性数据选择基线。

🔬 方法详解

问题定义：本文旨在解决VLA模型模仿学习中的数据选择问题，现有方法往往忽视长时间行为中的可重用结构，导致训练效率低下。

核心思路：SIEVE的核心思想是将演示视为可重用原语和过渡接口的组合，通过优化选择过程来提高模仿学习的效率。

技术框架：SIEVE的整体架构包括三个主要模块：首先，从分段轨迹中发现视觉-运动原语；其次，基于重用感知的结构曝光分配选择预算；最后，在每个组合模式桶中选择中位轨迹以保留稳定的演示。

关键创新：SIEVE的主要创新在于其结构感知的数据选择方法，通过识别可重用原语和过渡接口，显著提高了模仿学习的效率，与传统方法相比具有本质区别。

关键设计：在参数设置上，SIEVE采用了重用感知的结构曝光最大化策略，并在选择过程中引入了中位轨迹的概念，以确保选择的演示具有中心性和稳定性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，SIEVE在多个数据集和基准测试中表现优异，使用仅50%的演示和训练步骤时，性能超过全数据训练，显示出重用结构在模仿学习中的重要性。

🎯 应用场景

该研究的潜在应用领域包括机器人控制、自动化系统和人机交互等。通过提高模仿学习的效率，SIEVE能够帮助机器人更快速地学习复杂任务，降低对大规模数据集的依赖，具有重要的实际价值和未来影响。

📄 摘要（原文）

Vision-Language-Action (VLA) models are typically trained by imitation learning on large-scale robot demonstration datasets, but more data does not necessarily yield better policies due to redundancy, noise, and uneven coverage. Existing data selection methods often assess demonstrations at either the trajectory or state-action level, missing the reusable structures that compose long-horizon behaviors. In this paper, we propose SIEVE, a structure-aware data selection method for VLA imitation learning. SIEVE views demonstrations as compositions of reusable primitives and transition interfaces. It first discovers visuo-motor primitives from segmented trajectories, then allocates selection budgets to composition patterns by maximizing reuse-aware structural exposure under diminishing returns. Finally, it selects medoid trajectories within each composition-pattern bucket to retain central, stable, and imitation-friendly demonstrations. Experiments across multiple datasets, benchmarks, and VLA models show that SIEVE consistently outperforms competitive data selection baselines. Notably, SIEVE can surpass full-data training while using only 50% of demonstrations and 50% of training steps, suggesting that reusable structure, captured through primitives and transitions, is an important signal for efficient VLA imitation learning.