ICRA 2026｜新国立Bi-Adapt：基于语义对应的少样本双臂适配，实现跨类别泛化

原文作者：新国立具身智能LinS Lab

实验室主页：https://linsats.github.io/

 

 

Bi-Adapt: Few-Shot Bimanual Adaptation

 

 

1工作简介

双臂操作（bimanual manipulation）是机器人完成复杂任务的关键能力，但现有方法通常依赖昂贵的数据采集与训练，并且难以泛化到未见类别的物体。

2我们提出了 Bi-Adapt，一个基于视觉基础模型（Vision Foundation Models）的双臂操作学习框架。该方法通过引入语义对应（semantic correspondence），实现跨类别的 affordance 映射。在仅使用极少量新类别数据进行适配的情况下，Bi-Adapt 仍能在未见类别物体上实现有效泛化（few-shot + zero-shot）。

 

3 核心贡献

• 提出一个基于基础模型的统一框架，实现跨类别、跨任务的双臂操作泛化

• 设计结合接触点选择（contact point selection）的 few-shot 适配策略，有效提升双臂协同能力

• 在 5 类复杂任务与多种物体类别上进行系统评估（仿真 + 真实环境），在数据受限条件下仍取得高成功率

4 总结

Bi-Adapt 通过语义对应实现跨类别的 affordance 迁移，并结合 few-shot 学习高效适配新类别，在有限交互数据下显著提升了双臂操作在未见物体上的泛化能力。实验结果表明，该方法在 novel categories 上具备稳定且高效的适应性能。

项目主页

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

论文（arXiv）

https://arxiv.org/abs/2602.08425

代码开源

https://github.com/isabella4444x/Biadapt

雷峰网(公众号：雷峰网)

雷峰网版权文章，未经授权禁止转载。详情见转载须知。