arXiv cs.AI· Daehee Lee, Dongsu Lee, Sanghyun Ahn, Minjong Yoo, Honguk Woo·· 4 小时前AI 评分38
RecPo:面向组合式机器人技能适配的程序性知识重构框架
Reconfiguring Procedural Knowledge for Compositional Robot Skill Adaptation
AI 导读
RecPo 通过多程序视图以任务无关方式表示技能,在部署时解析任务规格并对存储的技能转移关系做组合查询,从而绑定技能执行。在扩展 Franka Kitchen 长程任务基准上,RecPo 实现 91.9% 的有序完成率,每回合任务推理耗时 1.0 ms,且在程序支持度和任务记录稀疏度变化下保持稳定。真实机器人实验显示,该方法可通过局部记忆编辑完成适配,无需针对任务重新训练。
正文 · AI 翻译
摘要:通用行为模型在训练过程中日益内化广泛的过程性知识,使其对新目标和技能接口的适应不再是一个学习全新行为的问题,而更多是对已有能力进行重新配置。我们将这一能力视为可重构性,即在稀疏的指导信息下,通过以低成本高效的方式重构现有组件与关系来实现新行为的能力;其中任务规范提供高层目标,过程规范暴露一小组可复用因子,而执行所需的具体绑定与组合则处于欠定状态。我们提出 RecPo,一个通过多种过程视图以任务无关的方式表示技能、并通过组合存储的转移来物化可执行技能序列以实现任务特定变化的框架。RecPo 维护一个由技能引发的转移组成的过程知识库,每个视图暴露一个可复用因子并保留局部技能连通性。在部署时,它通过相同的视图解释任务规范,并在存储的关系上求解由此产生的组合查询,从而绑定技能以供执行。在扩展的 Franka Kitchen 基准上的长时程任务中,RecPo 在不同过程支持度和任务记录稀疏度下实现了 91.9% 的有序完成率,每回合任务推理耗时 1.0 ms。真实机器人研究进一步证明了通过局部记忆编辑即可实现适应,而无需任务特定的重新训练。
| 评论: | 已被 NeurIPS 2026 接收 |
| 主题: | 人工智能(cs.AI) |
| 引用为: | arXiv:2611.22174 [cs.AI] |
| (或 arXiv:2611.22174v1 [cs.AI] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.22174 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Daehee Lee [查看邮箱]
[v1]
2026年11月17日星期二 04:09:02 UTC(11,179 KB)
来源:arXiv cs.AI · arxiv.org