使用 Agentic Robotics 重新审视“Push-T”机器人操作任务

Push-T 是从人类演示中学习操纵策略的标志性基准。机器人必须使用单点接触将 T 形块推入目标姿势。在这篇简短的论文中，我们在 Agentic Robotics 新兴进展的背景下重新审视 Push-T 任务，其中 LLM 编码智能体（《寓言 5》中的克劳德代码）被提示创建一个不需要任何演示数据的算法解决方案。我们研究了代理编码循环如何有效地解决 Push-T 任务，并将生成的代码作为策略与视觉运动模仿学习策略进行比较。结果表明，智能体在网上找到了 2D 健身房模拟，并使用模拟实验来学习推力力学，迭代优化以实现 100% 的成功率，比通过 200 次人类演示训练的最佳扩散策略少了 46% 的步骤。 编码智能体 还使用自行生成的课程和在具有视觉反馈的 3D 跨实体模拟中为 Franka 和 UR5 机器人手臂生成的模拟代码来解决从 T 到完整字母表（Push-A 到 Push-Z）的扩展。视频、政策和详细信息将在线发布。