arXiv cs.AI· Hai Zhou, Fan Yang, Zeyi Chen, Lejun Zhang, Chenyang Fu, Jianping Li, Jiayi Zhu, Xianyang Liu, Yingxuan Yang, Lili Meng, Lu Wang, Xinyang Han, Jiankai Sun, Weirui Ye, Guanchu Wang, Wanhua Li, Ming Zhou, Boyi Li, Ming Jin, Kun Shao, Muhao Chen, Guang Chen, Lei Ma, Joey Tianyi Zhou, Costas Spanos, Xia Hu, Mac Schwager, Weinan Zhang, Qian Feng, Shangding Gu·· 3 天前AI 评分31
机器人如何实现物理递归自我改进？Physical RSI 的 L0-L5 框架综述
Who Improves the Robot? Toward Physical Recursive Self-Improvement
AI 导读
一项 arXiv 综述提出 Physical Recursive Self-Improvement（Physical RSI）概念，即物理经验能持续更新机器人能力及其改进流程，使后续改进更高效。
正文 · AI 翻译
作者：Hai Zhou、Fan Yang、Zeyi Chen、Lejun Zhang、Chenyang Fu、Jianping Li、Jiayi Zhu、Xianyang Liu、Yingxuan Yang、Lili Meng、Lu Wang、Xinyang Han、Jiankai Sun、Weirui Ye、Guanchu Wang、Wanhua Li、Ming Zhou、Boyi Li、Ming Jin、Kun Shao、Muhao Chen、Guang Chen、Lei Ma、Joey Tianyi Zhou、Costas Spanos、Xia Hu、Mac Schwager、Weinan Zhang、Qian Feng、Shangding Gu
摘要：机器人在任务执行中日益自主，但其改进仍主要由人工驱动。本研究探讨物理递归自我改进（Physical RSI），即物理经验引导对机器人能力及其改进流程的持久更新，使后续改进在跨任务中更为有效。Physical RSI 面临来自噪声观测、连续动态、高昂试验成本和不可逆后果的挑战。我们提出一个 L0-L5 框架，区分能力级与元级更新、任务内与跨任务增益，并将 L5 保留给经独立验证的递归增益。我们围绕 harness 适配与模型训练研究现有方法，以及治理执行与后续更新的安全与控制机制。我们的分析表明，尽管自我改进已取得实质性进展，所综述的文献尚未展示出符合我们框架定义的 Physical RSI。我们指出可靠反馈、因果归因、安全保持和基准测试方面的研究重点，勾勒出通向机器人自主改进其学习方式并确保安全的路径。Physical RSI 的 GitHub 仓库见 此 https URL。
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG）；机器人学（cs.RO） |
| 引用为： | arXiv:2610.18842 [cs.AI] |
| （或 arXiv:2610.18842v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.18842 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Lejun Zhang [查看电子邮件]
[v1]
2026年10月13日星期二 17:57:04 UTC（21,075 KB）
来源：arXiv cs.AI · arxiv.org