与具身智能体共同成长：面向长时程操作技能的人在回路终身代码生成框架
机器人学
2025-09-26 v2
摘要
基于大语言模型（LLM）的机器人操作代码生成近期展现出前景，其通过将人类指令直接转化为可执行代码，但现有方法仍存在噪声大、受限于固定原语和有限上下文窗口等问题，且在长时程任务中表现不佳。尽管已有闭环反馈的探索，但修正后的知识常以不当格式存储，限制了泛化能力并导致灾难性遗忘，凸显了学习可复用技能的需求。此外，仅依赖 LLM 指导的方法在极长时程场景中常因 LLM 在机器人领域推理能力有限而失败，而这些问题对人类而言通常易于识别。为应对这些挑战，我们提出一个人在回路框架，将修正编码为可复用技能，并由外部记忆和带有提示机制的检索增强生成提供支持以实现动态复用。在 Ravens、Franka Kitchen 和 MetaWorld 以及真实世界环境中的实验表明，该框架实现了 0.93 的成功率（比基线高 27%）和 42% 的修正轮次效率提升。它能够稳健地解决诸如“建房子”等极长时程任务，该任务需要对 20 多个原语进行规划。
引用
@article{arxiv.2509.18597,
title = {Growing with Your Embodied Agent: A Human-in-the-Loop Lifelong Code Generation Framework for Long-Horizon Manipulation Skills},
author = {Yuan Meng and Zhenguo Sun and Max Fest and Xukun Li and Zhenshan Bing and Alois Knoll},
journal= {arXiv preprint arXiv:2509.18597},
year = {2025}
}
备注
update fig 1, typo correction - v2