# UniLatent框架实现跨具身零样本迁移，xArm至Franka仅需10条微调

> 原文链接：https://robotics.hellobike.com/papers/2026-11-10-2611-10061-7051c6dd
> 频道：papers | 更新日期：2026-11-10 | 标签：auto, arxiv
> 核心摘要：提出UniLatent跨具身迁移框架，通过共享潜空间对齐消除观测差异。仿真零样本成功率达93%，超像素级基线30%；真实世界xArm转Franka仅用10条演示微调即获27/30成功，代码数据已开源。

# UniLatent框架实现跨具身零样本迁移，xArm至Franka仅需10条微调

::: v-pre
> 本文由 AI 根据公开内容整理，可能有误，请以原文为准：[UniLatent: Cross-Embodiment Transfer via Latent Observation Alignment](https://arxiv.org/abs/2611.10061)（arXiv 2611.10061）

## 核心内容

针对机器人数据集采集成本高且难以跨本体复用的痛点，研究团队提出UniLatent跨具身迁移框架。该方法在共享潜空间中对齐源端与目标端视觉编码器，无需像素级图像翻译即可实现策略迁移。实验显示，在三类仿真任务及两种机械臂上，UniLatent零样本成功率最高达93%，平均超越最强像素翻译基线30个百分点以上。

技术层面，UniLatent利用仿真渲染成对源-目标观测数据，将源端视觉编码器对齐至冻结的目标端编码器。在真实世界xArm到Franka的迁移验证中，每个任务仅需10条目标演示进行微调，即可实现30次尝试中27次成功的 rollout 表现。目前项目代码、演示视频及配套数据集已在 GitHub 开源，为低成本跨本体策略复用提供新范式。

## 关键看点

- **潜空间对齐**：在共享隐空间对齐源端与冻结目标端视觉编码器，规避高算力消耗的像素级图像翻译过程
- **仿真性能突破**：跨三种仿真任务与两种机械臂测试，零样本成功率最高93%，均值超像素翻译基线30%
- **真机高效微调**：完成xArm至Franka实机迁移，单任务仅需10条目标演示微调，30次rollout成功27次
- **开源资产完备**：完整代码、演示视频及跨具身数据集已公开，支持社区快速复现与二次开发验证

## 工程与产业观察

该工作验证了潜空间对齐优于像素级翻译的跨具身迁移路径，大幅降低异质机器人策略复用门槛。10条演示的微调成本使存量数据向新本体迁移具备工程可行性，为解决具身智能数据孤岛问题提供了低算力依赖的实用解法，对多机型产线部署具有直接参考价值。

## 英文摘要 (Abstract)

Robot datasets are costly to collect and are usually tied to a specific embodiment, making it difficult to reuse demonstrations across robots with different geometry, appearance, and kinematics. We introduce UniLatent, a cross-embodiment transfer framework that reduces the embodiment-induced observation gap in a shared latent space. UniLatent renders paired source-target robot observations in simulation and aligns a source visual encoder to a frozen target encoder. A policy trained on encoded source demonstrations can then run directly on target observations, with no pixel-level image translation. Across three simulation tasks and two target robot arms, UniLatent reaches up to 93% zero-shot success, exceeding the strongest pixel-translation baseline by over 30 points on average. In real-world xArm-to-Franka transfer, fine-tuning with only 10 target demonstrations per task yields 27/30 successful rollouts. Code, videos and data are available at https://selina2023.github.io/unilatent/.

作者：Yufei Ding, Yi Du, Weiduo Yuan, Hao Jiang, Dylan Goetting, Lawrence Yunliang Chen, Daniel Seita, Yue Wang
:::

## 原始参考来源 (Sources)

- [arXiv 2611.10061：UniLatent: Cross-Embodiment Transfer via Latent Observation Alignment](https://arxiv.org/abs/2611.10061)