REMAC：自反思自演化的多机器人协作用于长期机器人操控
机器人学
2025-03-31 v1 人工智能
计算与语言
计算机视觉与模式识别
摘要
视觉语言模型 (VLM) 在机器人规划中展现出惊人的能力，尤其擅长处理需要对环境进行整体理解以进行任务分解的长期任务。现有方法通常依赖先验环境知识或精心设计的任务特定提示，难以应对动态场景变化或意外任务条件，例如机器人尝试将胡萝卜放入微波炉却发现门已关闭。此类挑战凸显了两个关键问题：适应性和效率。为此，本文提出一种自适应多机器人规划框架，称为 REMAC，通过持续反思和自演化实现高效、场景无关的多机器人长期任务规划与执行。REMAC 包含两个关键模块：一个进行 pre-condition 和 post-condition 检查的自反思模块，用于评估进展并细化计划，以及一个基于场景特定推理动态调整计划的自演化模块。它具有多个吸引人的优势：1) 机器人可以最初探索和推理环境，无需复杂的提示设计。2) 机器人可以持续反思潜在的规划错误，并基于任务特定见解调整计划。3) 在多次迭代后，机器人可以调用另一机器人进行并行协作，从而最大化任务执行效率。为验证 REMAC 的有效性，我们构建了一个基于 RoboCasa 的多机器人长期机器人操控和导航环境，包含 4 个任务类别、27 种任务风格和 50+ 种不同物体。基于此，我们进一步对深度推理模型（如 DeepSeek-R1、o3-mini、QwQ 和 Grok3）进行基准测试，显示 REMAC 通过将平均成功率提高 40%、执行效率提高 52.7% 超越单机器人基线。
引用
@article{arxiv.2503.22122,
title = {REMAC: Self-Reflective and Self-Evolving Multi-Agent Collaboration for Long-Horizon Robot Manipulation},
author = {Puzhen Yuan and Angyuan Ma and Yunchao Yao and Huaxiu Yao and Masayoshi Tomizuka and Mingyu Ding},
journal= {arXiv preprint arXiv:2503.22122},
year = {2025}
}