具身智能中常见的数据增强方法有哪些？它们对模型泛化能力的提升效果如何？

常用增强：视觉层——随机裁剪、颜色/亮度抖动、遮挡与噪点；场景层——域随机化（纹理、光照、物体摆放、相机位姿随机化），仿真里尤其常用；视角层——多相机重采样与图像变换后同步修正动作坐标；时间层——加减速、丢帧插值；动作层——小幅扰动与平滑。对泛化的实际效果：视觉与光照随机化对新环境/新物体外观的提升最稳定， viewpoint 增强提升相机安装变化的鲁棒性，动作扰动过多反而损害精细操作。

回答要点是「增强不能改变动作标签的正确性」：比如相机移动必须同步变换动作坐标系，否则增强即投毒。能结合π0.5 的 co-training、域随机化的 sim2real 角色一起讲会显得体系完整。