ACORN：用于安全稳健精细机器人操控的自适应对比优化
化学物理
2025-06-23 v2
摘要
具身 AI 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，代理持续遇到不可预测的情况和分布迁移，导致看似可靠的策略在操作任务中经历灾难性失败。为此，我们提出了四项新的安全中心指标，用于量化代理对环境扰动的韧性。基于这些指标，我们提出了一种用于稳健操控的自适应对比优化(ACORN)，这是一种即插即用的算法，可在不牺牲绩效的前提下提升策略的鲁棒性。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离。我们的做法通过结构化高斯噪声注入高效地生成信息丰富的负样本，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 在实现具身代理在安全关键实际应用中的可靠部署方面的巨大潜力。
引用
@article{arxiv.2505.06627,
title = {Conformally-coated Nickel-Carbon Nitride on Structured Pyrolytic Carbon Electrodes for Enhanced Hydrogen Evolution},
author = {Nadira Meethale Palakkool and Mike P. C. Taverne and Owen G. Bell and Christopher P. Jones and Jonathan D. Mar and Duc Tam Ho and Vincent Barrioz and Yongtao Qu and Zhong Ren and Chung-Che Huang and Ying-Lung Daniel Ho},
journal= {arXiv preprint arXiv:2505.06627},
year = {2025}
}
备注
38 pages (main: 24, Supplementary information: 14); 21 figures (main: 9, Supplementary information: 12); 3 tables (main: 0, Supplementary information: 3); Submitted to IOP Progress in Energy