ASPIRE: Агентное / Обнаружение навыков для робототехники

Аннотация

Традиционное программирование роботов является сложной задачей: оно требует координации мультимодального восприятия, управления динамикой физического контакта, а также обработки разнообразных конфигураций и сбоев выполнения. Мы представляем ASPIRE (Agentic Skill Programming through Iterative Robot Exploration) — систему непрерывного обучения, которая автономно создаёт и улучшает программы управления роботом в парадигме «код как политика», накапливая опыт в многократно используемую библиотеку навыков. ASPIRE обнаруживает навыки, сохраняющиеся в различных задачах, условиях симуляции и реального мира, а также воплощениях. Система функционирует в открытом цикле, состоящем из трёх компонентов: (1) движок выполнения робота с замкнутым контуром, предоставляющий детальные мультимодальные трассы, что позволяет автономно диагностировать сбои, синтезировать исправления и проводить проверку; (2) постоянно расширяемая библиотека навыков, преобразующая проверенные исправления в повторно используемые и переносимые знания; (3) эволюционный поиск, генерирующий разнообразные последовательности задач и управляющие программы для исследования за пределами улучшения одной траектории. ASPIRE превосходит предыдущие методы на величину до 77% в задачах манипуляции LIBERO-Pro при возмущениях, на 72% в двуручной передаче Robosuite и на 32% в долгосрочных бытовых задачах BEHAVIOR-1K. Накопленная библиотека также обеспечивает обобщение zero-shot на невидимые долгосрочные задачи: на LIBERO-Pro Long ASPIRE достигает 31% успеха против 4% у предыдущих методов, несмотря на использование ими рассуждений во время тестирования и повторных попыток. Наконец, навыки, обнаруженные в симуляции, предоставляют первоначальные доказательства переноса из симуляции в реальность (sim-to-real), значительно сокращая усилия по программированию реального робота для различных воплощений и интерфейсов прикладного программирования (API) роботов.

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.