论文页面 - GaP：面向变分自动化任务的图即策略多智能体自学习框架

来源：https://huggingface.co/papers/2607.05369 作者：

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

摘要

图即策略（Graph-as-Policy）系统将模块化机器人技能与多智能体编码相结合，通过并行仿真优化提高变分自动化任务的可靠性。

要使机器人在商业和工业应用中可靠运行，近期智能体编码系统（https://huggingface.co/papers?q=agentic%20coding%20systems）的进展能否将可解释的机器人编程与无模型策略（https://huggingface.co/papers?q=model-free%20policies）的开放世界适应性相结合？我们聚焦于“变分自动化”（https://huggingface.co/papers?q=Variational%20Automation）（VA），这是一类比固定自动化在物体几何和姿态上变化更大的任务。无模型策略（https://huggingface.co/papers?q=Model-free%20policies）通常难以弥合VA任务所需的高可靠性差距，这些任务必须在商业和工业应用中持续且可靠地执行。受任务与运动规划（https://huggingface.co/papers?q=Task%20and%20Motion%20Planning）（TAMP）以及机器人操作系统（https://huggingface.co/papers?q=Robot%20Operating%20System）（ROS）的启发，我们引入了图即策略（GaP），这是一个多智能体编码框架，能够从模块化开放机器人技能库（MORSL）生成包含感知、规划和控制节点的有向计算图（https://huggingface.co/papers?q=directed%20computation%20graphs）。GaP随后生成一个内部仿真环境（https://huggingface.co/papers?q=internal%20simulation%20environment），并行排练具有不同图结构的任务实例，以迭代优化图结构和参数，从而提高成功率和吞吐量。在8个新的开放VA任务基准（4个仿真、4个真实世界）上的评估表明，GaP能够取得显著优于基线的成功率。详细信息、代码和数据请访问：https://graph-robots.github.io/gap

查看 arXiv 页面 (https://arxiv.org/abs/2607.05369) 查看 PDF (https://arxiv.org/pdf/2607.05369) 项目页面 (https://graph-robots.github.io/gap/) GitHub13 (https://github.com/graph-robots/graph-as-policy) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.05369)

在您的智能体中获取此论文：

hf papers read 2607.05369

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

引用此论文的模型0

没有模型链接此论文

在模型README.md中引用 arxiv.org/abs/2607.05369 以从本页面链接。

引用此论文的数据集0

没有数据集链接此论文

在数据集README.md中引用 arxiv.org/abs/2607.05369 以从本页面链接。

引用此论文的Spaces0

没有Space链接此论文

在Space README.md中引用 arxiv.org/abs/2607.05369 以从本页面链接。

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 (https://huggingface.co/new-collection) 以从本页面链接。