选择或不选择，这是问题： distillation 机器人技能预测于小型集成模型
机器人学
2026-05-21 v1
摘要
随着机器人编队的异构化，包括人形、探测器、四足和无人机等，为特定任务选择合适的机器人成为核心系统问题。我们研究机器人技能预测：将自然语言任务描述映射到执行该任务所需的物理能力，如飞行、轮子、腿部、地面水、水下和手部。由于不存在将自然语言任务描述映射到机器人物理能力的标注数据，我们利用大语言模型辅助生成合成任务至技能数据集，并进行针对性标签审核。训练后，一个约1.33亿参数的集成模型（由两个微调的句子编码器组成：mpnet + MiniLM）在分层200任务数据集上实现83.5%的任务至技能匹配率，超越了Kimi K2（1T MoE）的72.0%、GPT-OSS-120B的71.5%和Llama-4-Scout-17B的69.0%。这些结果表明，对于固定机器人技能分类体系，基于合成数据的小型专门模型可在编队级任务路由方面超越规模更大的通用LLM。
引用
@article{arxiv.2605.21242,
title = {To Select or not to Select, that is the Question: Distilling Robot Skill Prediction into a Small Ensemble},
author = {Haechan Mark Bong and Simon Roy and Euhid Aman and Giovanni Beltrame},
journal= {arXiv preprint arXiv:2605.21242},
year = {2026}
}