DeCo：长时序3D操作中实现零样本泛化的任务分解与技能组合
机器人学
2026-02-17 v2
摘要
将语言条件多任务模仿学习（IL）模型泛化到新颖的长时序3D操作任务具有挑战性。为解决这一问题，我们提出了DeCo（任务分解与技能组合），这是一个与模型无关的框架，可增强对组合式长时序操作任务的零样本泛化能力。DeCo根据夹爪与物体的交互将IL演示分解为模块化的原子任务，创建了一个使模型能够学习可复用技能的数据集。在推理阶段，DeCo利用视觉语言模型（VLM）解析高级指令，检索相关技能，并动态调度其执行。一个具有空间感知的技能链接模块确保了技能之间平滑且无碰撞的过渡。我们引入了DeCoBench，这是一个旨在评估长时序操作任务中组合泛化能力的基准。在12个新颖任务上，DeCo将RVT-2、3DDA和ARP这三种IL模型的成功率分别提高了66.67%、21.53%和57.92%。在真实世界实验中，仅基于6个原子任务训练的DeCo增强模型以零样本方式完成了9个新颖任务，相比基线模型提升了53.33%。项目网站：https://deco226.github.io。
引用
@article{arxiv.2505.00527,
title = {DeCo: Task Decomposition and Skill Composition for Zero-Shot Generalization in Long-Horizon 3D Manipulation},
author = {Zixuan Chen and Junhui Yin and Yangtao Chen and Jing Huo and Pinzhuo Tian and Jieqi Shi and Yiwen Hou and Yinchuan Li and Yang Gao},
journal= {arXiv preprint arXiv:2505.00527},
year = {2026}
}
备注
RAL 2026