ACORN：面向安全与鲁棒性的自适应对比度优化用于细粒度机器人操作

具身人工智能研究传统上侧重于成功率和累积奖励等绩效指标，忽略了在实际部署过程中出现的关键鲁棒性和安全性考量。在实际环境中，智能体不断遇到不可预测的情况和分布迁移，导致看似可靠的策略会出现灾难性失败，尤其是在操作任务中。为填补这一差距，我们引入四个新的以安全为中心的指标，用于量化智能体对环境扰动的韧性。基于这些指标，我们提出了一种面向鲁棒操作的自适应对比度优化方法（Adaptive Contrastive Optimization for Robust Manipulation, ACORN），这是一种即插即用的算法，能够在不牺牲性能的前提下增强策略的鲁棒性。ACORN 利用对比学习同时将轨迹与专家演示对齐，同时与可能不安全的行为发生偏移。我们的 метод通过结构化高斯噪声注入高效生成信息性负样本，采用双重扰动技术以保持样本多样性，同时最小化计算开销。广泛的实验在多样化的操作环境中验证了 ACORN 的有效性，在扰动下的安全性指标提升了最高可达 23%。这些发现凸显了 ACORN 在实现安全关键实际应用中为具身智能体提供可靠部署的重要潜力。