ASPIRE : Découverte agentique de compétences pour la robotique

Résumé

La programmation traditionnelle des robots est complexe : elle nécessite d'orchestrer une perception multimodale, de gérer les dynamiques de contact physique, et de traiter diverses configurations et défaillances d'exécution. Nous présentons ASPIRE (Apprentissage de Compétences Agentiques par Exploration Itérative du Robot), un système d'apprentissage continu qui écrit et affine de manière autonome des programmes de contrôle robotique dans un paradigme de code-en-tant-que-politique, tout en consolidant l'expérience dans une bibliothèque de compétences réutilisables. ASPIRE découvre des compétences qui persistent à travers les tâches, les environnements simulés et réels, ainsi que les incarnations. Il fonctionne dans une boucle ouverte avec trois composantes : (1) un moteur d'exécution robotique en boucle fermée qui expose des traces multimodales détaillées, permettant un diagnostic autonome des pannes, une synthèse de réparations et une validation ; (2) une bibliothèque de compétences en expansion continue qui distillent les corrections validées en connaissances réutilisables et transférables ; et (3) une recherche évolutionnaire qui génère diverses séquences de tâches et programmes de contrôle pour explorer au-delà du raffinement d'une seule trajectoire. ASPIRE surpasse les méthodes antérieures de jusqu'à 77 % sur LIBERO-Pro en manipulation sous perturbation, 72 % sur le transfert bimanuel Robosuite, et 32 % sur les tâches domestiques à long horizon BEHAVIOR-1K. Sa bibliothèque accumulée permet également une généralisation sans apprentissage préalable à des tâches à long horizon inédites : sur LIBERO-Pro Long, ASPIRE atteint 31 % de succès contre 4 % pour les méthodes antérieures malgré leur utilisation de raisonnement et de tentatives en temps de test. Enfin, les compétences découvertes en simulation fournissent une première indication de transfert sim-vers-réel, réduisant considérablement l'effort de programmation robotique réelle à travers différentes incarnations et API robotiques.

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.