论文页面 - 机器人的上下文学习：方法与应用

来源：https://huggingface.co/papers/2609.36012 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

通用机器人必须推断新任务的要求，并将这种理解转化为适当的物理动作。机器人上下文学习（ICL）通过使用示范和交互来指导现有的能力，在部署期间保持神经参数固定，从而支持这一过程。我们围绕将上下文证据与执行连接起来的接口来组织这篇文献综述，区分出四类方法：上下文条件策略、几何示范迁移、基于世界模型的控制、以及基于技能和智能体的执行。比较这些接口有助于澄清它们的迁移假设，以及训练、对应和记忆在使上下文发挥作用中的角色。在操作和导航任务中，我们探讨了这些机制如何在对象、环境和执行条件变化时保留被教授的要求。该分析将方法设计与评估实践联系起来，这些实践用于区分对教学的响应性、物理迁移以及从保留经验中获得的收益。由此产生的议程将组合任务获取与忠实迁移，以及物理递归自我改进联系起来，即通过经验来提高学习后续任务的能力。

查看 arXiv 页面 (https://arxiv.org/abs/2609.36012)查看 PDF (https://arxiv.org/pdf/2609.36012)项目页面 (https://jethrojames.github.io/awesome-robots-icl/)GitHub3 (https://github.com/JethroJames/awesome-robots-icl)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2609.36012)

通过您的智能体获取此论文：

hf papers read 2609\.36012

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

引用本文的模型0

没有模型链接此论文

在模型的 README.md 中引用 arxiv.org/abs/2609.36012 以从本页面链接它。

引用本文的数据集0

没有数据集链接此论文

在数据集的 README.md 中引用 arxiv.org/abs/2609.36012 以从本页面链接它。

引用本文的 Space0

没有 Space 链接此论文

在 Space 的 README.md 中引用 arxiv.org/abs/2609.36012 以从本页面链接它。

包含本文的收藏集0

没有收藏集包含此论文

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