ASPIRE: Descoberta Agêntica de Habilidades para Robótica

Resumo

A programação tradicional de robôs é desafiadora: exige orquestrar percepção multimodal, gerenciar dinâmicas de contato físico e lidar com diversas configurações e falhas de execução. Apresentamos o ASPIRE (Programação de Habilidades Agêntica por Exploração Iterativa de Robôs), um sistema de aprendizado contínuo que escreve e refina autonomamente programas de controle de robôs no paradigma de código como política, ao mesmo tempo que acumula experiência em uma biblioteca de habilidades reutilizável. O ASPIRE descobre habilidades que persistem entre tarefas, cenários de simulação e mundo real, e embodiamentos. Ele opera em um ciclo aberto com três componentes: (1) um motor de execução robótica em malha fechada que expõe rastros multimodais detalhados, permitindo diagnóstico autônomo de falhas, síntese de reparos e validação; (2) uma biblioteca de habilidades em expansão contínua que destila correções validadas em conhecimento reutilizável e transferível; e (3) busca evolutiva que gera sequências diversas de tarefas e programas de controle para explorar além do refinamento de trajetória única. O ASPIRE supera métodos anteriores em até 77% na manipulação LIBERO-Pro sob perturbação, 72% na transferência bimanual Robosuite e 32% em tarefas domésticas de longo horizonte BEHAVIOR-1K. Sua biblioteca acumulada também permite generalização zero-shot para tarefas de longo horizonte não vistas: no LIBERO-Pro Long, o ASPIRE atinge 31% de sucesso contra 4% de métodos anteriores, apesar do uso de raciocínio e repetições em tempo de teste por parte destes. Finalmente, habilidades descobertas em simulação fornecem evidências iniciais de transferência sim-para-real, reduzindo substancialmente o esforço de programação de robôs reais em diferentes embodiamentos e 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.