.png){kind=icon}
返回
Agentic skill discovery
.png){kind=icon}
PRE
AI
DOI：10.1016/j.robot.2025.105248.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
语言条件下的机器人技能使得开发大型语言模型（LLMs）的低级机器人控制成为可能。一个遗留的挑战是获取一组多样化的基础技能。现有方法要么自顶向下地将复杂任务手动分解为基本的机器人动作，要么尽可能自底向上地引导尽可能多的组合，以覆盖更广泛的任务可能性。然而，这些分解或组合需要初始技能库。例如，“抓取”能力永远不会从仅包含多样化“推动”技能的技能库中涌现。现有的基于强化学习的技能发现技术通过穷举探索获取技能，但往往会产生无意义的动作。本研究中，我们介绍了一种由LLMs完全驱动的自主机器人技能发现的新型学习框架。该框架首先基于提供的场景描述和机器人配置，由LLM生成任务提案，旨在通过任务完成逐步获取新技能。对于每个提案任务，启动一系列强化学习过程，利用LLM采样的奖励和成功判定函数来开发相应的策略。通过一个独立的视觉-语言模型确保学习行为可靠性和可信度。我们证明，从零技能开始，技能库逐渐涌现并扩展为更多有意义且可靠的技能，使机器人能够进一步高效地提出和完成任务。
