Imperfection for Precision: Upcycling Imperfect Data for High-Precision Robotic Manipulation

📄 arXiv: 2609.26672v1 📥 PDF

作者: Hao Wei, Yang Liu, Chao Tang, Shengbao Li, Jiangtao Chen, Jinxuan Zhu, Jiaheng Wang, Hong Yin, Zhaofeng Cao, Tingguang Li

分类: cs.RO

发布日期: 2026-09-22

备注: 9 pages, 5 figures

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出$4P$方法以利用不完美数据提升机器人高精度操作

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 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: 机器人操作 视觉-语言-动作 数据增强 高精度任务 机器学习

📋 核心要点

  1. 现有的高精度操作模型训练依赖于特定任务的高质量数据，收集过程繁琐且成本高昂。
  2. 本文提出的$4P$方法通过有效利用低精度和高精度不匹配数据，优化数据使用，提升操作精度。
  3. 实验表明，$4P$方法在高精度任务中提升政策性能达31.7个百分点，且替换高质量数据时性能下降仅4.2个百分点。

📝 摘要（中文）

在高精度操作的视觉-语言-动作（VLA）模型训练中，通常需要特定任务的高质量数据，这种数据收集过程既缓慢又昂贵。为减轻这一负担而不影响操作精度，本文提出了$4P$（不完美提升精度）方法，该方法有效利用了两种被丢弃的数据源：目标任务的低精度数据和不匹配任务的高精度数据。$4P$通过控制数据源在流匹配轨迹中的贡献，优化了数据的使用。实验结果表明，该方法能够将政策性能提升多达31.7个百分点，并且在用等量的高质量数据替换时，平均性能仅下降4.2个百分点。整体而言，$4P$为高精度操作提供了一种可扩展的范式，系统性地重新利用异构的不完美数据，减少对昂贵高质量数据的依赖。

🔬 方法详解

问题定义：本文旨在解决高精度机器人操作中对特定任务高质量数据的依赖问题。现有方法在数据收集上存在成本高、效率低等痛点。

核心思路：$4P$方法通过“升级”低精度和高精度不匹配数据，控制其在训练过程中的贡献，以提升操作精度。该设计旨在充分利用现有数据资源，减少对高质量数据的需求。

技术框架：该方法的整体架构包括数据源的选择、流匹配轨迹的控制和噪声水平的调节。低精度数据在高噪声下使用以保持任务上下文，高精度数据在低噪声下使用以传递细节操作精度。

关键创新：最重要的创新在于通过精确控制数据源的贡献，优化了数据的使用方式。这种方法与传统的简单混合数据的方式有本质区别，能够更有效地提升模型性能。

关键设计：在参数设置上，低精度数据和高精度数据的噪声水平经过精心设计，以确保在不同阶段的最佳效果。此外，损失函数的设计也考虑了不同数据源的特性，以实现更好的训练效果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，$4P$方法在高精度任务中将政策性能提升了31.7个百分点，同时在用等量的高质量数据替换时，平均性能仅下降4.2个百分点。这表明该方法在提升操作精度方面具有显著效果。

🎯 应用场景

该研究的潜在应用领域包括工业机器人、自动化装配、医疗手术等高精度操作场景。通过减少对高质量数据的依赖，能够降低训练成本，提高机器人在复杂环境中的适应能力，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Training vision-language-action (VLA) models for high-precision manipulation typically requires task-specific, high-quality data (e.g., teleoperation), which is slow and expensive to collect. To reduce this burden without compromising manipulation precision, we propose $\varepsilon$4P (Imperfection for Precision), a simple yet effective method that "upcycles" two otherwise discarded data sources: (1) low-precision data from the target task and (2) high-precision data from mismatched tasks. Rather than naively mixing these imperfect data sources throughout co-training, $\varepsilon$4P controls where each source contributes along the flow-matching trajectory. Specifically, low-precision, target-task data is used at high noise to preserve high-level task context and high-precision, task-mismatched data is used at low noise to transfer low-level action precision. Through real-robot experiments on both sub-millimeter, high-precision tasks and coarse-grained tasks, we demonstrate that the proposed method (1) effectively leverages additional imperfect data to improve policy performance by up to 31.7 percentage points, and (2) can replace an equal amount of task-specific, high-quality data with an average performance drop of only 4.2 percentage points. Overall, $\varepsilon$4P points toward a scalable paradigm for high-precision manipulation, in which heterogeneous, imperfect data can be systematically repurposed to reduce reliance on costly task-specific, high-quality data. More details are available at https://varepsilon4p.github.io/.