Category: 专业术语

少样本学习（Few-shot Learning）是机器学习的一个分支，旨在让模型通过极少量样本快速适应新任务。与传统的深度学习需要大量标注数据不同，少样本学习通过元学习（Meta-Learning）或迁移学习（Transfer Learning）等技术，使模型具备从少量示例中提取关键特征并泛化的能力。在机器人领域，这一技术尤为重要，因为现实场景中收集大量训练数据往往成本高昂或不可行。 在机器人应用中，少样本学习的价值体现在快速适应新环境和新任务上。例如，服务机器人可能只需观察几次人类演示，就能学会整理桌面或操作新电器；工业机械臂通过少量样本即可掌握不同形状零件的抓取策略。这种能力大幅降低了机器人部署的门槛，使得个性化服务和柔性制造成为可能。当前技术突破主要集中在如何将视觉、语言等模态信息与动作控制相结合，以及设计更高效的元学习框架。

零样本学习（Zero-Shot Learning）是一种让机器在未经特定任务训练的情况下，通过已有知识推断新类别对象的机器学习方法。其核心思想是利用语义嵌入空间，将已知类别与未知类别通过共享属性（如视觉特征、文本描述等）建立关联，使模型能够识别训练数据中从未出现过的类别。在机器人领域，这种能力尤为重要——当机器人面对开放环境中层出不穷的新物体或新任务时，零样本学习能使其像人类一样基于已有经验进行合理推断。 以家庭服务机器人为例，当它首次遇到一款新型智能咖啡机时，虽未经过该型号的专门训练，但通过识别「带有按钮的圆柱体」「液晶显示屏」等跨品类共享特征，结合产品说明书中的文本描述，就能推测出基本操作方法。这种技术大幅降低了机器人适应新场景的部署成本，使得产品能快速响应市场需求变化。目前亚马逊仓储机器人已采用类似技术处理海量未见过的新商品，而丰田研究院则通过零样本学习让机器人理解自然语言指令操作陌生工具。

一次性学习（one-shot learning）是机器学习领域中一种特殊的学习范式，它使得模型仅需通过单个或极少量样本就能完成对新类别的识别或任务掌握。这种能力与人类快速学习的特点高度相似，在机器人应用场景中尤为重要。传统深度学习需要海量数据进行训练，而一次性学习通过特征提取、度量学习和记忆增强等机制，实现了小样本下的快速适应能力。 在具身智能产品的实际开发中，一次性学习技术能显著提升机器人对新物体、新环境的适应效率。例如服务机器人只需观察一次用户示范就能学会摆放餐具的特定位置，工业机械臂通过单次演示即可掌握新型零部件的抓取姿势。这种能力不仅降低了数据收集成本，更使机器人具备了类似人类的即时学习能力。当前该技术仍面临特征泛化性不足等挑战，但结合元学习（meta-learning）等前沿方法，正在成为实现通用机器人智能的关键路径之一。

域随机化（Domain Randomization）是一种用于提升机器学习模型泛化能力的训练技术，其核心思想是在训练过程中人为地引入数据分布的多样性，通过随机改变虚拟环境中的视觉、物理或语义属性（如纹理、光照、物体位置等参数），使模型暴露于高度变化的模拟场景中。这种方法让模型在训练时就能适应潜在的真实世界复杂性，从而减少模拟环境与现实场景之间的「域差距」（Domain Gap）。域随机化尤其适用于机器人控制、自动驾驶等需要从仿真环境迁移到真实场景的具身智能任务。 在AI产品开发实践中，域随机化显著降低了数据采集和标注成本，例如工业质检中可通过随机生成缺陷形态的虚拟样本训练检测模型。但需注意过度随机化可能导致模型学习无关噪声，因此常与课程学习（Curriculum Learning）结合，逐步增加随机化强度。英伟达的Isaac Gym仿真平台便运用该技术训练机械臂策略，相关论文《Domain Randomization for Transferring Deep Neural Networks from Simulation to the Real World》提供了经典案例参考。

传感器噪声是指传感器在测量物理量时，输出信号中存在的非期望随机波动。这种噪声源于传感器内部电子元件的热扰动、环境干扰或信号转换过程中的随机误差，表现为测量值与真实值之间的随机偏差。从信号处理角度看，噪声会降低信号的信噪比（SNR），其特性通常用统计方法描述，如高斯白噪声具有零均值且功率谱密度均匀分布的特征。值得注意的是，传感器噪声与系统误差不同，后者是可通过校准消除的确定性偏差。 在具身智能产品开发中，传感器噪声直接影响环境感知的准确性。例如服务机器人的激光雷达若存在角度噪声，会导致建图出现「重影」；智能穿戴设备的加速度计噪声则可能产生错误步数计数。工程师常采用硬件滤波电路、卡尔曼滤波算法或深度学习降噪模型进行抑制，其中基于时序建模的LSTM网络对非平稳噪声处理效果显著。近期MIT的研究表明，通过传感器融合技术将多模态数据互补，可有效提升噪声环境下的鲁棒性（参见《Science Robotics》2023年第8期相关论文）。