面向闭环式具身同理心进化：探索LLM中心的终身同理心运动生成于未见情景中
人工智能
2025-12-23 v1
摘要
在文献中，现有的以人类为中心的情感运动生成方法主要致力于提升单个固定尺度数据集内的性能，大大忽略了灵活且尺度递增的运动情景（如运动、舞蹈），而有效学习这些新兴情景可以显著提升模型的实际泛化能力。鼓舞人心的，这篇论文提出一种新的LLM中心的终身情感运动生成(L^2-EMG)任务，旨在使LLMs具备持续获取不同未见情景中情感运动生成知识的能力， potentially 为构建具备同理心与智能能力的闭环式自我演化具身智能体贡献可能性。进一步地，这篇论文提出了L^2-EMG任务中的两个关键挑战，即情感解耦挑战和情景适应挑战。为此，本文提出了一种情感可迁移且情景适应的混合专家(ES-MoE)方法，其设计了基于因果引导的情感解耦模块和情景适应专家构建模块来分别解决这两个挑战。特别地，本文构建了多个L^2-EMG数据集来验证ES-MoE方法的有效性。广泛的评估显示，ES-MoE超过了先进的基准方法。
引用
@article{arxiv.2512.19551,
title = {Towards Closed-Loop Embodied Empathy Evolution: Probing LLM-Centric Lifelong Empathic Motion Generation in Unseen Scenarios},
author = {Jiawen Wang and Jingjing Wang Tianyang Chen and Min Zhang and Guodong Zhou},
journal= {arXiv preprint arXiv:2512.19551},
year = {2025}
}