一句话看懂：alphaXiv 收录的论文 ScheduleGen 提出一种面向双臂和人形机器人的示教数据生成方法，在生成新场景示教前先做运动规划与多臂时序调度，在 28 个仿真任务变体上平均数据生成成功率 79.6%、训练策略平均成功率 65.5%。
事件核心：发生了什么
据 alphaXiv 页面显示（论文原始发布时间为 2026 年 10 月 29 日），研究者针对多臂机器人示教数据稀缺问题提出 ScheduleGen。其思路是：保留源示教中与物体接触的技能片段，在新物体位姿下适配末端执行器行为，再用运动规划补齐各臂在技能之间的关节空间路径；随后把每条路径的通行顺序建模为混合整数线性规划（MILP），配合 GPU 加速碰撞检测决定哪只臂先走、哪只臂等待，只调整时序而不改变路径几何。通过仿真回放且任务成功检查的轨迹才进入数据集。作者称在 28 个仿真任务变体（含 7 个 RoboDojo 任务）上平均数据生成成功率 79.6%、策略成功率 65.5%，并在 8 个真实场景变体中通过零样本仿真到现实及真实到仿真再到真实的迁移，取得 50% 至 80% 的成功率。
为什么重要
多臂平台比单臂循环时间更短，但双臂约束使其安全控制更难，而大规模多臂示教数据一直是训练通用机器人策略的瓶颈。此前的自动化数据生成方法如 DexMimicGen 会拼接各臂片段，却不显式规划无碰撞连接路径；SkillGen 虽结合了技能适配与运动规划，但只支持单臂。ScheduleGen 把“技能保持”和“空间重规划、时序调度”拆开处理，试图在不增加遥操作成本的前提下补齐协调性，这是多臂模仿学习数据管线中一个具体的技术方向。目前公开信息显示，其结论来自论文摘要与页面介绍，尚不代表已有可用的产品化工具。
对用户/开发者/创作者的影响
对机器人开发者而言，这类方法的价值在于用少量源示教扩增训练数据，从而降低采集成本。但摘要也明确提到，ScheduleGen 仍依赖源示教和任务标注，意味着它并非零数据方案。若后续开源或提供代码，研究团队可优先评估其在自身机械臂构型、物体布局和碰撞约束下的迁移表现；从公开信息看，目前尚无 API 或商业产品信息。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
可观察三点：一是论文是否公开代码与更多真实机器人实验结果；二是与 DexMimicGen 等基线在统一数据条件下的对比能否复现；三是该方法能否扩展到更多臂数以及更复杂的接触任务。上述判断仅基于当前 alphaXiv 页面摘要，需以论文全文为准。
来源：alphaXiv
