ASPIRE：面向机器人技能发现的智能体系统

作者：Runyu Lu、Yubo Wu、Ethan Kou、Haotian Lin、Letian Fu、Wenli Xiao、Ajay Mandlekar、Yinzhen Xu、Guanya Shi、Ken Goldberg、Ang Chen、Mosharaf Chowdhury、Jan Kautz、Yuke Zhu、Linxi "Jim" Fan、Guanzhi Wang

查看 PDF HTML（实验性）

摘要：传统机器人编程以极具挑战性著称：它需要协调多模态感知、管理物理接触动力学，并处理多样的环境配置与执行失败。我们提出 ASPIRE（Agentic Skill Programming through Iterative Robot Exploration，通过迭代机器人探索的智能体技能编程），这是一个持续学习系统，在“代码即策略”范式下自主编写并改进机器人控制程序，同时将经验累积为可复用的技能库。ASPIRE 在一个开放式学习循环中运行，由三个组件构成：（1）闭环机器人执行引擎，可暴露细粒度的多模态轨迹，使智能体能够自主诊断失败、合成修复方案并验证结果；（2）持续扩展的技能库，将经过验证的修复提炼为可复用、可迁移的机器人知识；（3）进化式搜索流程，生成多样化的程序并系统性地调试它们，从而超越单轨迹改进的局限。ASPIRE 在扰动下的操作任务上比先前方法高出最多 77%，在 Robosuite 的双臂交接任务上高出 72%，在长时程家庭任务上高出最多 32%。累积的技能库进一步实现了零样本泛化：在具有代表性的未见长时程任务上，ASPIRE 达到 31% 的成功率，优于先前方法 4% 的成功率。性能随前沿模型能力的提升而扩展。借助 Claude Opus 5.5，ASPIRE 几乎使这些基准饱和，在全部 80 个 LIBERO-Pro 任务上平均成功率达 99%，在具有代表性的 Robosuite 和 BEHAVIOR-1K 任务上成功率达 100%。除仿真之外，在仿真中发现的技能可减少跨不同本体和机器人 API 的真实世界机器人编程工作量，而通过与物理机器人在线交互获得的技能使 ASPIRE 能够以逐步提升的效率解开魔方。

评论：	41 页，19 幅图，26 张表。项目页面：此 https URL 代码：此 https URL
主题：	机器人学（cs.RO）；人工智能（cs.AI）；多智能体系统（cs.MA）
引用为：	arXiv:2607.00272 [cs.RO]
	（或 arXiv:2607.00272v2 [cs.RO] 用于此版本）
	https://doi.org/10.48550/arXiv.2607.00272 由 DataCite 颁发的 arXiv DOI

提交历史

来自：Runyu Lu [查看邮箱]
[v1] 2026 年 6 月 30 日星期二 23:38:46 UTC（4,681 KB）
[v2] 2026 年 10 月 20 日星期二 17:41:12 UTC（12,147 KB）