Arcadia：面向机器人具身永续学习的全生命周期框架
机器人学
2025-12-02 v1 计算机视觉与模式识别
摘要
我们认为，具身学习本质上是一个生命周期问题，而非单一阶段的优化问题。仅优化单个环节（数据收集、仿真、学习或部署）的系统难以持续改进，或仅能在狭窄环境中泛化。我们引入 Arcadia，一个闭环框架，通过紧密耦合四个阶段来实现具身永续学习：（1）自主探索与 grounding，以实现物理环境中自主数据获取；（2）生成式场景重建与增强，以实现真实且可扩展的场景创建；（3）统一的具身表征架构，将导航和操控统一于单一多模态 backbone 中；（4）从真实到仿真的评估与演化，通过仿真驱动的反馈闭环。这种耦合是不可分解的：移除任何一个阶段都会打破改进环路，退化为一次性训练。Arcadia 在导航和操控基准测试中持续实现性能提升，并能稳健地迁移到物理机器人上，表明紧密耦合的生命周期——持续的真实世界数据获取、生成式仿真更新、统一表征学习——支持永续性改进和端到端泛化。我们发布了标准化接口，实现可复现评估和跨模型比较的可重用环境，使 Arcadia 成为通用型具身智能体的可扩展基础。
引用
@article{arxiv.2512.00076,
title = {Arcadia: Toward a Full-Lifecycle Framework for Embodied Lifelong Learning},
author = {Minghe Gao and Juncheng Li and Yuze Lin and Xuqi Liu and Jiaming Ji and Xiaoran Pan and Zihan Xu and Xian Li and Mingjie Li and Wei Ji and Rong Wei and Rui Tang and Qizhou Wang and Kai Shen and Jun Xiao and Qi Wu and Siliang Tang and Yueting Zhuang},
journal= {arXiv preprint arXiv:2512.00076},
year = {2025}
}