小米、10万時間の embodiment-free 事前学習でロボット政策モデル Xiaomi-Robotics-1 を公開

事前学習には、家庭・商業施設・工業現場・屋外など 1,700 超のシナリオにまたがる 10 万時間の UMI 軌跡データを用いる。ラベリングは人手では非現実的なため、強力な VLM による自動アノテーションパイプラインを構築し、軌跡を固定長セグメントに分割したうえで各セグメントのシーン状態遷移を言語記述で付与している。

後学習には、実住居で 7,200 時間以上収集した自社ロボットデータ（ソファの片付け、靴箱の仕分け、食器の片付けなど）、フィルタ済みのオープンソースデータ、高品質 UMI データを含む跨 embodiment データセットを用いる。

事前学習では、データ量とモデルサイズの増加に伴い検証時の行動誤差が安定して低下するスケーリング挙動が確認されている。後学習後の評価では、未見環境・未見オブジェクトにおいて事前学習データ量とモデルサイズを増やすと実ロボットの成功率が予測可能に上昇し、事前学習のスケールが実ロボット性能に転移することが示された。