RoboBridge：Sim到Real迁移的自进化具身智能体

把具身智能带入现实世界的关键挑战是把能力从仿真迁移到现实，并让智能体在部署后持续适应。端到端视觉-语言-动作策略提供强操作能力，但其向物理环境的迁移通常依赖校准仿真的视觉与动力学条件、收集额外目标域演示并经进一步训练优化策略。使用工具的具身智能体提供灵活的任务编排，但现有系统主要强调给定环境内的任务执行与经验复用，对跨仿真与现实的程序化知识转移与持续适应支持有限。我们提出RoboBridge，把sim-to-real迁移视为可执行任务技能的持续适应：智能体把任务知识表示为连接任务意图、观测、工具操作与结果验证的程序；交互反馈用于生成候选技能修订，在持久化或拒绝前先评估；预训练VLA策略被暴露为可复用动作工具并以推理时指导增强，使细粒度执行无需重训底层策略。RoboBridge把可迁移技能锚定在仿真与现实共享的任务语义与交互接口上，保留可复用任务结构同时允许经真实执行反馈选择性修订环境相关操作。我们在LIBERO-PRO及对应物理任务上评估，研究技能演化与迁移后适应。该框架提供了从一次性策略部署到跨环境持续程序学习的路径。