SIEVE：面向 VLA 模仿学习的结构感知数据选择方法

SIEVE 是一种面向 VLA 模仿学习的结构感知数据选择方法，将示范轨迹视为可复用视觉运动基元与转换接口的组合。它从机器人轨迹中发现可复用基元，按结构信息量分配数据预算，并挑选更易被行为克隆学习的中心稳定示范。作者称该方法在多个数据集、基准和 VLA 模型上稳定优于数据选择基线，仅用 50% 数据加 50% 训练步数即超过全量数据训练。