RoboFoundry: 自学习具身智能体的系统即策略演化

Hugging Face Daily Papers 论文

摘要

RoboFoundry提出了一种面向具身智能体的自演化系统即策略框架,在基准测试中达到最先进的性能,并支持真实世界部署中的零样本迁移。

基础模型不应孤立地作为具身智能体发挥作用。然而,现有方法通常优化智能体栈中的各个组件,如记忆、上下文、技能或动作接口,而非将支持系统本身视为统一策略。此外,仅靠交互并不能带来自我改进,除非执行经验被转化为持久、经过验证的系统变更。因此,我们提出RoboFoundry,这是第一个将这一过程表述为自演化系统即策略的具身智能框架。RoboFoundry诊断决策和记忆管理中的能力差距,将执行轨迹转化为经过验证的特定任务系统更新,并促进对通用系统的持续改进。演化在两个互补的表面上运行:一个管理活跃内部上下文和持久文件系统记忆的上下文系统,以及一个组织原子技能、可重用组合和基于故障恢复的分层技能系统。一个共享语义接口将与具身无关的决策与与具身相关的执行分离开来,使演化后的系统能力能够跨异构机器人迁移。在EmbodiedBench上,RoboFoundry达到了最先进的性能,显著将GPT-5.5提升了27.8%。它还将Qwen3.7-Plus提升到接近GPT-5.5的水平(70.3% vs. 72.7%),显示了系统即策略演化在基础模型上的持续增益。对于长期记忆,RoboFoundry在RoboMemArena上至少以39.0%的优势超越所有基线,即使与使用外部基础模型辅助的方法相比也是如此。在LIBERO-PRO上,它在所有扰动类型上进一步以243.8%-679.7%的优势超越Cap-Agent0。在真实世界部署中,RoboFoundry展示了跨机器人和任务的零样本迁移和在线演化,突显了其用于完全自主具身智能体的潜力。
查看原文
查看缓存全文

缓存时间: 2026/09/29 04:09

论文页面 - RoboFoundry:面向自我学习具身智能体的系统即策略进化

来源:https://huggingface.co/papers/2609.32862 作者:

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

基础模型不应作为孤立的具身智能体发挥作用。然而,现有方法通常优化智能体技术栈的各个独立组件,如记忆、上下文、技能或行动接口,而不是将支持系统本身视为一个统一策略。此外,单纯的交互并不会产生自我改进,除非将执行经验转化为持续、经过验证的系统变更。因此,我们提出了 RoboFoundry——首个将此过程建模为自我进化系统即策略的具身智能框架。RoboFoundry 诊断决策和记忆管理中的能力差距,将执行轨迹转化为经过验证的特定任务系统更新,并将可重复的改进推广到通用系统。进化在两个互补层面上进行:一个管理活跃内部上下文和持久化文件系统记忆的上下文系统,以及一个组织原子技能、可重用组合和基于失败条件的恢复的层级化技能系统。共享语义接口将与具身实现无关的决策与具身特定的执行分离开来,使进化后的系统能力能够跨异构机器人迁移。在 EmbodiedBench 上,RoboFoundry 取得了最先进性能,尤其将 GPT-5.5 的性能提升了 27.8%。它还使 Qwen3.7-Plus 接近 GPT-5.5 的水平(70.3% vs. 72.7%),展示了系统即策略进化在不同基础模型上带来的一致增益。在长期记忆方面,RoboFoundry 在 RoboMemArena 上以至少 39.0% 的优势超越了所有基线方法,即使与借助外部基础模型的方法相比也是如此。在 LIBERO-PRO 上,它在所有扰动类型上进一步以 243.8% - 679.7% 的优势超越了 Cap-Agent0。在真实世界部署中,RoboFoundry 展示了跨机器人和任务的零样本迁移与在线进化能力,凸显了其在实现完全自主具身智能体方面的潜力。

查看 arXiv 页面 (https://arxiv.org/abs/2609.32862) 查看 PDF (https://arxiv.org/pdf/2609.32862) 项目页面 (https://jingsongliang.com/robofoundry/) 添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2609.32862)

在你的智能体中获取这篇论文:

hf papers read 2609.32862

没有最新的 CLI?curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

无模型链接此论文

在模型的 README.md 中引用 arxiv.org/abs/2609.32862 以从此页面链接。

引用此论文的数据集 0

无数据集链接此论文

在数据集的 README.md 中引用 arxiv.org/abs/2609.32862 以从此页面链接。

引用此论文的空间 0

无空间链接此论文

在空间的 README.md 中引用 arxiv.org/abs/2609.32862 以从此页面链接。

包含此论文的收藏集 0

无收藏集包含此论文

将此论文添加到收藏集 (https://huggingface.co/new-collection) 以从此页面链接。

相似文章

Self-Evolving Embodied Agents via Skill-Harness Evolution

arXiv cs.CL

This paper introduces SHAPER, a self-evolving framework for embodied agents that keeps model parameters frozen and improves performance by evolving reusable skills and context-code harnesses through target-environment rollouts. Evaluated on VLABench and ESI-Bench, it proposes a practical alternative to fine-tuning when training is expensive or unavailable.

RoboArchitect:利用持久记忆自动化设计机器人智能体

Hugging Face Daily Papers

RoboArchitect 利用编码模型迭代修改围绕冻结策略的控制代码,实现机器人智能体运行框架设计的自动化,无需更新任何模型权重,即可将未见场景中的成功率从 9.7% 提升至 43.3%,将未见任务中的成功率从 12.7% 提升至 40.2%,同时还能在多个回合间持续演化持久记忆。