Symskill：符号与技能共创用于数据高效且具有反应性的长期操作
机器人学
2026-03-12 v2
摘要
多步在动态环境中的操作仍然具有挑战性。仿照学习 (IL) 具有响应性但缺乏组合推理性，单一策略在场景变化时不决定该复用哪些技能。经典任务与运动规划 (TAMP) 提供组合性，但其高规划延迟阻止了实时失败恢复。我们引入 SymSkill，一个统一框架，联合从未标记且未分段的演示中学习 predicates、operators 和 skills，实现组合推理与实时恢复。离线时，SymSkill 直接从演示中学习符号抽象和以目标为导向的技能。在线时，给定学习的 predicates 的 conjunction，使用符号规划器组合和重新排序 skills 以实现符号目标，同时在运动和符号层面实现实时恢复。搭配符合控制器，SymSkill 支持在人类和环境扰动下的安全执行。在 RoboCasa 仿真中，SymSkill 成功执行 12 项单步骤任务（85% 成功率），并组合成多步骤计划，无需额外数据。在真实 Franka 机器人上，它仅通过 5 分钟的玩耍数据即可学习，执行 12 步任务，从目标规格中完成。代码和额外分析请参见 https://sites.google.com/view/symskill。
引用
@article{arxiv.2510.01661,
title = {Symskill: Symbol and Skill Co-Invention for Data-Efficient and Reactive Long-Horizon Manipulation},
author = {Yifei Simon Shao and Yuchen Zheng and Sunan Sun and Pratik Chaudhari and Vijay Kumar and Nadia Figueroa},
journal= {arXiv preprint arXiv:2510.01661},
year = {2026}
}
备注
ICRA 2026; CoRL 2025 Learning Effective Abstractions for Planning (LEAP) Workshop Best Paper Award (https://sites.google.com/view/symskill)