ASPIRE: Descubrimiento de Habilidades Agentivas para Robótica

Resumen

La programación tradicional de robots es un desafío: requiere orquestar la percepción multimodal, gestionar las dinámicas de contacto físico y manejar configuraciones diversas y fallos de ejecución. Presentamos ASPIRE (Agentic Skill Programming through Iterative Robot Exploration), un sistema de aprendizaje continuo que escribe y refina de manera autónoma programas de control robótico bajo un paradigma de código como política, mientras consolida la experiencia en una biblioteca de habilidades reutilizable. ASPIRE descubre habilidades que persisten a lo largo de tareas, entornos simulados y reales, y morfologías robóticas. Opera en un bucle abierto con tres componentes: (1) un motor de ejecución robótica en lazo cerrado que expone trazas multimodales detalladas, permitiendo el diagnóstico autónomo de fallos, la síntesis de reparaciones y su validación; (2) una biblioteca de habilidades en continua expansión que destila las correcciones validadas en conocimiento reutilizable y transferible; y (3) una búsqueda evolutiva que genera diversas secuencias de tareas y programas de control para explorar más allá del refinamiento de una única trayectoria. ASPIRE supera a métodos anteriores hasta en un 77 % en tareas de manipulación LIBERO-Pro bajo perturbaciones, un 72 % en transferencia bimanual de Robosuite y un 32 % en tareas domésticas de horizonte largo de BEHAVIOR-1K. Su biblioteca acumulada también permite la generalización sin ejemplos previos a tareas de horizonte largo no vistas: en LIBERO-Pro Long, ASPIRE alcanza un 31 % de éxito frente al 4 % de métodos anteriores, a pesar de que estos emplean razonamiento y reintentos en tiempo de prueba. Finalmente, las habilidades descubiertas en simulación proporcionan evidencia inicial de transferencia sim-real, reduciendo sustancialmente el esfuerzo de programación en robots reales en diferentes morfologías y APIs robóticas.

English

Traditional robot programming is challenging: it requires orchestrating multimodal perception, managing physical contact dynamics, and handling diverse configurations and execution failures. We introduce ASPIRE (Agentic Skill Programming through Iterative Robot Exploration), a continual learning system that autonomously writes and refines robot control programs in a code-as-policy paradigm while compounding experience into a reusable skill library. ASPIRE discovers skills that persist across tasks, simulation and real-world settings, and embodiments. It operates in an open-ended loop with three components: (1) a closed-loop robot execution engine that exposes fine-grained multimodal traces, enabling autonomous failure diagnosis, repair synthesis, and validation; (2) a continually expanding skill library that distills validated fixes into reusable, transferable knowledge; and (3) evolutionary search that generates diverse task sequences and control programs to explore beyond single-trajectory refinement. ASPIRE surpasses prior methods by up to 77% on LIBERO-Pro manipulation under perturbation, 72% on Robosuite bimanual handover, and 32% on BEHAVIOR-1K long-horizon household tasks. Its accumulated library also enables zero-shot generalization to unseen long-horizon tasks: on LIBERO-Pro Long, ASPIRE achieves 31% success versus 4% for prior methods despite their use of test-time reasoning and retries. Finally, simulation-discovered skills provide initial evidence of sim-to-real transfer, substantially reducing real-robot programming effort across different embodiments and robot APIs.