搜索
三星联合上交提出 RoboICL 新方法 机器人操控评测表现领先
1 小时前
RoboICL提出了一种创新的具身上下文学习方案，该方案无需训练模型参数，而是通过冻结GPT-6 Astra模型，在推理阶段仅提供少量示范。同时，它将机器人的执行历史、环境变化等信息，以统一的「观察→动作→执行回执→结果观察」语法结构组织成具身上下文，供模型参考并直接输出双臂动作。为平衡长程任务的上下文预算与信息留存需求，该方案采用了有界锚定记忆机制。在RoboDojo的30项双臂操作任务评测中，RoboICL整体得分50.64，显著超越了对比方法及官方零样本GPT-6 Astra控制器，尤其在四类任务中得分提升了20-27个progress-score点。项目还公开了929条可逐布局核查的三视角执行记录，支持查看同步视角、得分及与视频对齐的模型执行说明。相关对照实验表明，其表现接近结合VLA的混合系统，在真实Franka机械臂的三项测试任务中，三段示范下平均progress score可达78.89。此外，该方案依托稳定上下文前缀实现了92.4%的KV缓存命中率，显著降低了多模态具身上下文的推理成本。这一工作验证了对于具备视觉理解与数值动作生成能力的通用多模态模型，少量示范即可提供任务过程结构，将机器人在线经验以动作与真实后果配对的形式留存，可有效提升控制能力，为通用模型在部署阶段实现经验利用开辟了新路径。
