ASPIRE：机器人技术的代理/技能发现

传统的机器人编程具有挑战性：它需要协调多模式感知、管理物理接触动态以及处理不同的配置和执行故障。我们引入了 ASPIRE（通过迭代机器人探索进行代理技能编程），这是一个持续学习系统，可以在代码即策略范式中自主编写和完善机器人控制程序，同时将经验复合到可重用的技能库中。 ASPIRE 发现跨任务、模拟和现实世界设置以及实施例持续存在的技能。它在开放式循环中运行，由三个组件组成：（1）闭环机器人执行引擎，可公开细粒度的多模式跟踪，从而实现自主故障诊断、修复综合和验证； (2) 不断扩展的技能库，将经过验证的修复提炼成可重用、可转移的知识； (3) 进化搜索，生成不同的任务序列和控制程序，以探索单轨迹细化之外的情况。 ASPIRE 在扰动下的 LIBERO-Pro 操作上超过了先前方法高达 77%，在 Robosuite 双手切换上超过了 72%，在 BEHAVIOR-1K 长期家务任务上超过了 32%。其积累的库还可以对未见过的长期任务进行零样本泛化：在 LIBERO-Pro Long 上，ASPIRE 取得了 31% 的成功率，而之前的方法尽管使用了测试时推理和重试，但成功率仅为 4%。最后，模拟发现的技能提供了模拟到真实转移的初步证据，大大减少了跨不同实施例和机器人 API 的真实机器人编程工作。