GaP：面向变异性自动化任务的图即策略多智能体自学习框架
论文提出 Graph-as-Policy（GaP）多智能体编码框架，从模块化开放机器人技能库（MORSL）生成含感知、规划、控制节点的有向计算图，用于物体几何与位姿变化较大的“变异性自动化”（VA）任务。GaP 构建内部仿真环境，并行用不同图排练任务实例，迭代优化图结构与参数以提升成功率和吞吐量。作者在 8 个新开放 VA 基准（4 个仿真、4 个真实世界）上评估，称成功率显著优于基线，并公开代码与数据。
发布于 10-27 10:55来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《GaP: A Graph-as-Policy Multi-Agent Self-Learning Harness For Variational Automation Tasks》查看原链
arXiv:2607.05369v2 公告类型：替换 摘要：为使机器人在商业和工业应用中可靠工作，智能体编码系统的最新进展有望将可解释的机器人编程与无模型策略的开放世界适应能力结合起来。 我们聚焦于“变异性自动化”（VA）这一类任务，其物体几何形状和位姿的变化比固定自动化更大。
无模型策略往往难以弥合 VA 任务的可靠性差距，而这类任务在商业和工业应用中必须持续、可靠地执行。 受任务与运动规划（TAMP）和机器人操作系统（ROS）先前工作的启发，我们提出 Graph-as-Policy（GaP），一种多智能体编码框架，它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。
GaP 生成内部仿真环境，并行地用不同图排练任务实例，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 的成功率显著优于基线。 详情、代码和数据：https://graph-robots.github.io/gap