IROS 2026：昆士兰大学Jen Jen Chung指出数据规模不等于智能，质量与信息密度才是关键

事件概述

在IEEE/RSJ智能机器人与系统国际会议（IROS）上，昆士兰大学的Jen Jen Chung教授发表主旨演讲，挑战当前机器人领域对数据规模的迷信。她指出，海量数据并不等同于高信息量，决定通用自主系统智能上限的并非数据的绝对数量，而是数据的质量与信息密度。盲目收集冗余数据不仅无法提升性能，反而可能拖慢学习进程甚至导致系统失效。

核心信息

1. 无人机自主滑翔：探索是有代价的

在固定翼无人机利用上升气流滑翔的研究中，Chung教授发现探索未知状态-动作空间需要消耗能量，且回报不确定。分析显示，当空速超过临界点后，继续在该区域采集数据对策略优化毫无帮助。因此，数据采集不应均匀分布，而应基于预期价值进行引导。例如，在最短路径规划中，若某次采样无法改变对最优路径的后验置信判断，则该采样即为无效成本。高效的策略仅需少量高价值训练轮次即可达成，证明了按需采集优于盲目采样。

2. 多机器人通信：平衡带宽与保真度

在分布式多机器人系统中，受限于带宽、延迟和衰减，全量广播所有数据是不切实际的。Chung教授提出衡量数据共享价值的标准：“掌握该信息能否引发行为决策的改变？”

• 选择性通信：仅在节点对自身预测缺乏可靠估计时才进行通信，大幅降低网络负载。
• 高效编码：引入布隆过滤器（Bloom Filter）等工具，将状态信息压缩为高密度位数组。尽管存在假阳性风险，但通过引入随机盐值实现跨周期的统计去相关，结合贝叶斯推断可压低误差，在低带宽下维持高质量决策。
• 流式传输：借鉴互联网流媒体思想，采用渐进式多细节层次表征。机器人无需等待数据包完整接收，即可利用部分信息进行协同规划，显著提升了弱网环境下的系统扩展性和决策时效性。

3. 策略学习：从追求规模转向解决过拟合

针对端到端策略学习范式，Chung教授以机械臂富接触装配任务为例，指出即使输入海量多模态数据（视觉、力觉、本体感觉），模型仍可能表现平庸。实验显示，机械臂在空料盒场景下依然机械复刻插入动作，表明模型严重过拟合，忽略了视觉和力觉反馈，仅依赖关节本体感觉“背诵”轨迹。

• 问题本质：症结不在于数据匮乏，而在于数据未能有效驱动泛化能力，导致模型对环境扰动（如光照变化、干扰物）极度敏感。
• 解决方案：团队提出“策略修复”方案，通过比对标称场景与微扰场景下的动作分布漂移，定向选取具有修复性的样本进行训练。实验证明，在相同数据预算下，这种方法比盲目扩增数据能显著提升策略的泛化性能。

值得关注

Chung教授的演讲揭示了机器人学从“数据驱动”向“信息驱动”转变的必要性。无论是单体机器人的探索策略、多机系统的通信机制，还是复杂任务的策略学习，核心都在于如何最大化单位数据的信息增益。未来的研究重点应从单纯追求数据规模，转向开发更高效的数据筛选、压缩传输及针对性增强技术。