Nghiên cứu
EmbodiedSWE: Sử dụng Coding Agent để tối ưu hóa điều khiển robot linh hoạt trong tác vụ dài hạn
(giờ Việt Nam)
Tóm tắt AI
Nhóm nghiên cứu giới thiệu khung EmbodiedSWE và bộ benchmark EMBODIEDSWE-BENCH, cho phép các Coding Agent giải quyết các tác vụ robot phức tạp, đòi hỏi sự khéo léo và tương tác liên tục lên đến 30 phút.
Chính văn · Bản dịch AI
Tác giả: Haoxiang You, Zeyu Shen, Yilang Liu, Zhicheng Zheng, Lihan Zha, Kashu Yamazaki, Mingtong Zhang, Suning Huang, Jiankai Sun, Qianzhong Chen, Lucy He, Kaiyuan Liu, Haoran Chang, Katerina Fragkiadaki, Dhruv Shah, Mac Schwager, Peter Henderson, Ian Abraham, Canwen Xu
Tóm tắt: Chúng tôi nghiên cứu các coding agent cho lĩnh vực robot khéo léo với tầm nhìn dài hạn và đặt câu hỏi liệu các giải pháp của chúng có thể cung cấp sự giám sát có khả năng mở rộng để học các chính sách robot tổng quát hay không. Để kiểm chứng, chúng tôi phát triển EMBODIEDSWE-BENCH, một bộ tiêu chuẩn mô phỏng dành cho các coding agent bao gồm các thao tác tiếp xúc phức tạp, vật thể biến dạng và các nhiệm vụ dài hạn đòi hỏi tới nửa giờ tương tác liên tục. Chúng tôi nhận thấy rằng các coding agent tiên tiến có thể giải quyết các nhiệm vụ dài hạn phức tạp và chuyển giao các giải pháp trước đó qua cả các nhiệm vụ và hình thái robot khác nhau. Chúng tôi cũng thiết kế các công cụ hỗ trợ giúp các agent giải quyết những nhiệm vụ này hiệu quả hơn. Tuy nhiên, các giải pháp thu được đòi hỏi sự tương tác lặp đi lặp lại đáng kể và thường chỉ chuyên biệt cho từng trường hợp nhiệm vụ cụ thể. Do đó, chúng tôi giới thiệu EMBODIEDSWE-GEN, giúp mở rộng một giải pháp đơn lẻ từ coding agent thành các quỹ đạo đa dạng quy mô lớn để huấn luyện VLA. Hiệu suất của VLA được cải thiện khi có nhiều dữ liệu minh họa được tạo ra hơn, và việc đa dạng hóa có sự hỗ trợ của agent giúp cải thiện khả năng tổng quát hóa đối với các biến thể nhiệm vụ chưa từng thấy. Chúng tôi cũng chứng minh rằng một VLA được tinh chỉnh chỉ dựa trên các minh họa mô phỏng do coding agent tạo ra có thể hoàn thành một nhiệm vụ dài hạn trên robot thực tế. Nhìn chung, khung làm việc của chúng tôi sử dụng các coding agent để giải quyết các nhiệm vụ robot phức tạp và biến các giải pháp đã được xác minh thành sự giám sát có khả năng mở rộng cho các chính sách robot.
| Chủ đề: | Robot học (cs.RO) |
| Trích dẫn là: | arXiv:2609.27308 [cs.RO] |
| (hoặc arXiv:2609.27308v1 [cs.RO] cho phiên bản này) | |
| https://doi.org/10.48550/arXiv.2609.27308 DOI do arXiv cấp thông qua DataCite (đang chờ đăng ký) |
Lịch sử gửi bài
Từ: Haoxiang You [xem email] [v1] Thứ Tư, 23 tháng 9 năm 2026 03:38:58 UTC (26,333 KB)
Bài viết được AI dịch và tổng hợp tự động từ HuggingFace Daily Papers (bài nghiên cứu nổi bật của cộng đồng). Liên kết bài gốc ở phía trên. Dữ liệu đồng bộ qua API công khai được ghi nguồn tại AI HOT (canonical) ↗. AIHOT.vn luôn dẫn nguồn đầy đủ — nếu bạn thấy điểm cần chỉnh sửa, hãy gửi ý kiến tại trang phản hồi.