BEACON（Best-Effort Adaptation for Cross-Domain Co-Training）是由研究团队提出的一种理论驱动的框架，旨在解决机器人学习中源域数据丰富而目标域数据稀缺的问题。该框架将跨域协同训练重新定义为差异感知的重要性重加权问题，通过联合学习一个基于扩散模型的视觉运动策略以及每个源域样本的权重来优化训练过程。这些权重的学习目标是由目标域泛化保证所引导的，从而在不要求显式特征对齐的情况下，隐式地促进特征表示的对齐。
为了实现高维序列策略中的尽力适应，研究团队开发了可扩展的实例级差异估计器，用于度量每个源域样本与目标域之间的差异。此外，他们设计了随机交替更新策略，有效协调策略网络和权重参数的优化。针对多源域场景，他们还提出了多源扩展方法，能够平衡来自不同源域的数据贡献，避免某些源域过度主导训练。在多个实验设置中，包括模拟到模拟、模拟到真实以及多源操作任务，BEACON均表现出比仅使用目标域数据、固定比例协同训练以及特征对齐基线更强的鲁棒性和数据效率。特别值得注意的是，即使在没有任何显式对齐目标的情况下，BEACON依然能够通过差异感知的跨域协同训练自然地实现特征对齐，这为机器人跨域学习提供了全新的思路。该框架已在多种操作任务中取得验证，具有广泛的应用前景。