论文页面 - Skill2Real：面向零样本 Sim-to-Real 机器人操作的智能体技能学习

来源：https://huggingface.co/papers/2610.02788

摘要

将机器人技能从仿真迁移到现实，需要任务知识在感知、动力学和具身形态（embodiment）存在差异时依然保持可用。我们提出 Skill2Real，一个通过共享应用程序接口（API）学习可执行技能的智能体策略框架。一个 Proposer-Verifier-Governor（PVG）循环利用特权仿真证据诊断执行结果并验证更新，同时将学到的技能保持在公开观测和 API 语义的基础上。Cerebellum（小脑）首先习得局部操作技能；随后 Brain（大脑）在 Cerebellum 冻结的情况下学习任务层面的技能组合。两套记忆都能在无需任务策略微调或技能记忆更新的情况下迁移到真实机器人。当 GPT-5.6 Sol 在 LIBERO-90 上学习技能，并使用 GPT-6 Astra 对每个冻结检查点进行评测时，LIBERO-ProLong 的成功率从 2.0% 提升至 56.3%，且全程未在 ProLong 上训练。在独立的 Robosuite 训练中，Sol 和 Opus 5 在七个任务上分别达到 85.1% 和 89.4% 的平均成功率。使用 Astra 在四个真实世界操作任务中评测时，由 Sol 训练并冻结的 LIBERO-90 技能达到了 78.75% 的平均完成率。在 LIBERO-90 训练过程中移除 Verifier 或 Governor，分别会使最终 ProLong 成功率下降 17.3 和 13.3 个百分点。这些结果支持了通过统一机器人接口学习并迁移一套可执行技能层级体系的思路。

查看 arXiv 页面 · 查看 PDF · 项目页面 · 添加到收藏

在你的智能体中获取这篇论文：

hf papers read 2610\.02788

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

引用此论文的模型 0

没有模型关联此论文

在模型的 README.md 中引用 arxiv.org/abs/2610.02788，即可从此页面建立关联。

引用此论文的数据集 0

没有数据集关联此论文

在数据集的 README.md 中引用 arxiv.org/abs/2610.02788，即可从此页面建立关联。

引用此论文的 Spaces 0

没有 Space 关联此论文

在 Space 的 README.md 中引用 arxiv.org/abs/2610.02788，即可从此页面建立关联。

包含此论文的收藏集 0

没有收藏集包含此论文

将此论文添加到收藏集即可从此页面建立关联。