Self-Evolving Coding Agents: From Digital Programs to Physical-World Intelligence

مسئله

مدل‌های بینایی، زبان و کنش و مدل‌های جهان و کنش مشاهده و دستور را مستقیم به کنش ربات تبدیل می‌کنند. این مستقیم بودن سیاست را به داده‌ی آموزش گره می‌زند: تغییر کوچک چیدمان یا زاویه‌ی دید باعث شکست می‌شود و دستورها خوب تعمیم نمی‌یابند. ریشه در بازنمایی است: نیازهای تسک، شرایط، پیشرفت و بازیابی از شکست به‌طور ضمنی در دنباله‌ی کنش‌ها رمزگذاری شده‌اند و بررسی یا بازنگری‌شان سخت است.

روش

نویسنده‌ها «کدنویسی فیزیکی» را پیشنهاد دادند که وضعیت تسک و اجرا را به شکل کد نمایش می‌دهد: «کد به عنوان جهان» اشیا، روابط، قیدها و پیشرفت را ثبت می‌کند و «کد به عنوان سیاست» برنامه‌ریزی، تأیید، بازیابی و اجرا را سازمان می‌دهد. سیستم HexaAnything ابزارهای ادراک، برنامه‌ریزی و کنترل، از جمله سیاست‌های کنش آموخته‌شده، را فرا می‌خواند و با بازخورد بیرونی تصمیم می‌گیرد؛ ردپاهای تأییدشده به داده و حافظه تبدیل می‌شوند.

یافته‌ها

• روی RoboCasa365 موفقیت در بخش ترکیبی دیده‌نشده و موفقیت کلی را نسبت به XR-1 بهتر کرد، و مدل آموزش‌دیده با هارنس در هر بخش از مدل پایه بهتر بود.
• روی PhyBench و یک ربات دوبازوی AgileX، آزمایش‌های فیزیک و بیشتر تسک‌های رومیزی را خودکار انجام داد و اغلب از نتایج منتشرشده سریع‌تر بود.

محدودیت‌ها

نویسنده‌ها می‌گویند نرخ‌های تکامل ابزار روی RoboDojo بر چند بذر محدود تکیه دارد، PhyBench در شبیه‌سازی با ده آزمایش برای هر مدل و تسک اجرا شده، نتایج ربات واقعی بر سه آزمایش برای هر تسک تکیه دارد و مرجع‌های منتشرشده روی سخت‌افزار دیگری به دست آمده‌اند. چکیده عدد دقیق موفقیت را نمی‌گوید و وابستگی سازمانی نویسنده‌ها در متن فقط با یک دامنه‌ی وب آمده است.