ICRA 2026｜新國立Bi-Adapt：基于語義對應的少樣本雙臂適配，實現跨類別泛化

原文作者：新國立具身智能LinS Lab

實驗室主頁：https://linsats.github.io/

 

 

Bi-Adapt: Few-Shot Bimanual Adaptation

 

 

1工作簡介

雙臂操作（bimanual manipulation）是機器人完成復雜任務的關鍵能力，但現有方法通常依賴昂貴的數據采集與訓練，并且難以泛化到未見類別的物體。

2我們提出了 Bi-Adapt，一個基于視覺基礎模型（Vision Foundation Models）的雙臂操作學習框架。該方法通過引入語義對應（semantic correspondence），實現跨類別的 affordance 映射。在僅使用極少量新類別數據進行適配的情況下，Bi-Adapt 仍能在未見類別物體上實現有效泛化（few-shot + zero-shot）。

 

3 核心貢獻

? 提出一個基于基礎模型的統一框架，實現跨類別、跨任務的雙臂操作泛化

? 設計結合接觸點選擇（contact point selection）的 few-shot 適配策略，有效提升雙臂協同能力

? 在 5 類復雜任務與多種物體類別上進行系統評估（仿真 + 真實環境），在數據受限條件下仍取得高成功率

4 總結

Bi-Adapt 通過語義對應實現跨類別的 affordance 遷移，并結合 few-shot 學習高效適配新類別，在有限交互數據下顯著提升了雙臂操作在未見物體上的泛化能力。實驗結果表明，該方法在 novel categories 上具備穩定且高效的適應性能。

項目主頁

https://biadapt-project.github.io/

論文（arXiv）

https://arxiv.org/abs/2602.08425

代碼開源

https://github.com/isabella4444x/Biadapt

雷峰網(公眾號：雷峰網)