解构中的具身智能：神经符号 TAMP 中的多模态感知交叉验证与持续学习
机器人学
2025-09-16 v1 人工智能
摘要
随着新能源汽车产业的快速发展，动力电池的高效拆解与回收已成为循环经济的关键挑战。在当前的非结构化拆解场景中，环境的动态特性严重限制了机器人感知的鲁棒性，这构成了工业应用中自主拆解的重要障碍。本文提出一种基于神经符号任务与动作规划（TAMP）的持续学习框架，以增强具身智能系统在动态环境中的适应性。我们的方法将多模态感知交叉验证机制融入双向推理流程中：正向工作流程动态细化和优化行动策略，而逆向学习流程则自主收集历史任务执行中有效的数据，以促进系统的持续学习，实现自我优化。实验结果表明，所提框架在动态拆解场景中将任务成功率提升至100%（原本为81.68%），同时将感知误判的平均次数从3.389降至1.128。这一研究为增强复杂工业环境中具身智能的鲁棒性和适应性提供了新范式。
引用
@article{arxiv.2509.11270,
title = {Embodied Intelligence in Disassembly: Multimodal Perception Cross-validation and Continual Learning in Neuro-Symbolic TAMP},
author = {Ziwen He and Zhigang Wang and Yanlong Peng and Pengxu Chang and Hong Yang and Ming Chen},
journal= {arXiv preprint arXiv:2509.11270},
year = {2025}
}
备注
8 pages, 3 figures. Accepted at CASE2025. This arXiv version contains minor corrections