機器人學習領域迎來一項突破性進展：加州大學伯克利分校的研究團隊提出了一種名為LEGO的創新框架，通過模擬嬰幼兒學習方式，讓機器人僅用少量訓練數據就能掌握抓取多樣化物體的能力。這項發表于學術平臺的研究成果，為解決機器人泛化能力差的難題提供了新思路。
傳統機器人訓練面臨根本性困境——在特定物體上訓練的模型難以處理新物體。例如，僅接觸過紅色立方體的機器人無法識別藍色立方體，這種現象源于視覺系統對具體特征的過度依賴。更嚴峻的是，現有解決方案需要海量訓練數據，某些先進模型甚至需要數百萬次演示才能掌握基礎技能，這與人類"舉一反三"的學習能力形成鮮明對比。
研究團隊從認知科學中獲得靈感：嬰幼兒通過掌握少數基礎玩具的特性，就能將知識遷移到新物體。這種"原型學習"機制啟發了"塞尚玩具"概念——將復雜物體分解為球體、立方體、圓柱體和圓環四種基本形狀的隨機組合。研究團隊生成250個結構獨特但具有代表性的玩具，這些物體既非現實物品的簡單復刻，又包含可遷移的結構規律。
數據收集環節采用虛實結合策略。研究團隊先在ManiSkill模擬器中收集2500個虛擬抓取演示，隨后3D打印物理版本進行真實世界訓練。通過遠程操控Franka機械臂和Unitree人形機器人，共獲取2000個高質量演示數據。這種設計確保機器人能學習到多樣化的抓取方式，而非機械記憶特定動作。
核心創新在于檢測池化（DetPool）機制。該技術模擬人類選擇性注意力，首先用SAM 2模型定位目標物體并創建掩碼，然后強制視覺編碼器僅處理物體區域特征。這種設計使機器人學會關注物體本質屬性，而非背景或顏色等表面特征。實驗表明，DetPool相比傳統注意力機制性能提升最高達48%。
完整學習系統整合多項先進技術：預訓練的MVP視覺編碼器提供基礎特征提取能力，Transformer策略網絡處理時序信息，行為克隆方法實現動作模仿。這種架構使系統能用16個歷史狀態預測未來動作，在參數規模（8600萬）遠小于對比模型（最高達70億）的情況下，展現出更強的數據效率。
虛擬環境測試中，LEGO在65個YCB物體上達到80%成功率，顯著優于π0-FAST和OpenVLA-OFT等基線模型。特別值得注意的是，當訓練數據量增加時，LEGO性能持續提升，而對比模型出現性能下降，顯示其優秀的泛化能力。真實機器人實驗進一步驗證方法有效性：Franka機械臂在64個物體上取得66.67%成功率，Unitree靈巧手在13個物體上達到50.77%成功率，均優于同類方法。
消融研究揭示關鍵設計選擇：球體形狀對性能貢獻最大，由兩個基礎形狀組成的玩具效果最佳，ViT-Base架構實現性能與效率的平衡。這些發現表明，物體識別的核心在于結構特性而非復雜外觀，為機器人學習提供了新認知框架。
這項研究對機器人技術發展具有多重啟示：首先，突破了"數據依賴"瓶頸，1500個演示即可實現有效訓練；其次，為跨領域遷移學習提供新范式，檢測池化機制可應用于其他視覺任務；最后，驗證了認知科學指導人工智能設計的可行性，開辟了跨學科研究新路徑。盡管當前方法主要針對剛體物體，且尚未解決多步驟操作難題，但其展現的潛力已引發行業廣泛關注。
