训练跨形态具身AI智能体：从实践挑战到理论基础
人工智能
2025-06-05 v1 计算复杂性
摘要
虽然理论与实践常被视为独立领域，本文表明理论洞察对于克服现实工程障碍至关重要。我们从一个实践挑战开始：训练一个跨形态具身AI策略，使其在多种机器人形态间泛化。我们将其形式化为异构具身智能体训练（HEAT）问题，并证明其可归约为一个结构化的部分可观测马尔可夫决策过程（POMDP），该问题是PSPACE-complete的。这一结果解释了为何当前的强化学习流水线在形态多样性下会失效，原因在于顺序训练约束、记忆-策略耦合和数据不兼容性。我们进一步探索集体适应（Collective Adaptation），一种受生物系统启发的分布式学习替代方案。尽管理论上为NEXP-complete，但其在实践中提供了有意义的规模和部署优势。本工作展示了计算理论如何揭示系统设计权衡并指导开发更鲁棒、可扩展的具身AI。为便于实践者和研究者探索该问题，本工作的实现代码已公开发布于 https://github.com/airs-admin/HEAT
引用
@article{arxiv.2506.03613,
title = {Training Cross-Morphology Embodied AI Agents: From Practical Challenges to Theoretical Foundations},
author = {Shaoshan Liu and Fan Wang and Hongjun Zhou and Yuanfeng Wang},
journal= {arXiv preprint arXiv:2506.03613},
year = {2025}
}