DiMuRe 提出诊断引导的多级恢复框架，并发布 LIBERO-Disturb…
论文AI 评分 66/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
论文针对机器人在执行任务中途受扰动、导致下一步动作条件失效的问题，提出 DiMuRe 框架：它依据阶段证据与方法前置条件，选择复用原程序或调用预定义恢复技能（含受限的 VLA 抓取）；原程序退出后，多模态大模型可根据图像与执行反馈生成纠正代码，并由本地验证检查每次恢复结果。作者同时发布 LIBERO-Disturb 基准，覆盖程序型智能体与 VLA 策略。在 801 个受扰 Encore 开发案例上，Local DiMuRe 的完整任务成功率为 77.65%，原程序为 58.68%，且前者每个案例消耗的物理步数更少；加入末端重规划、额外步数预算与提前交接后，完整版达到 81.90%。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载恢复为何要分级
论文的出发点是：扰动出现时，机器人任务程序的大部分内容往往仍然可用，只是下一步动作所需的条件被破坏。因此恢复系统不应一律重来，而要根据当前状态挑选合适的响应。DiMuRe 的做法是用阶段相关的证据和方法前置条件做判断，在复用原程序与调用预定义恢复技能之间选择；预定义技能中包含有边界的 VLA 抓取。这一层被称为 Local DiMuRe，即只依赖程序复用与恢复技能。
代码生成与本地验证
当原程序退出后，框架允许由多模态大模型根据图像和执行反馈生成纠正代码，作为更上层的补救手段。每次恢复尝试的结果都由本地验证环节检查，以确认是否真正达成预期。论文把带末端重规划、额外步数预算和提前交接的完整配置与 Local 版本区分开来，两者在成功率上存在差距，说明上层重规划带来收益的同时也依赖更多步数预算。
基准与量化结果
作者构建了 LIBERO-Disturb，专门评测执行中途受扰情形下的鲁棒性与恢复能力，同时支持程序型智能体和 VLA 策略两类对象。在 801 个按计划施加扰动的 Encore 开发案例上，Local DiMuRe 的完整任务成功率为 77.65%，同一物理步数允许下原程序为 58.68%；Local 版本每个案例消耗的物理步数还少于原程序。完整 DiMuRe 的成功率升至 81.90%。论文共 15 页、含 3 张图与附录，归入机器人学与人工智能分类。
为什么值得看
机器人任务中途受扰后的恢复长期缺少统一评测，该工作同时给出恢复框架与扰动基准，并附成功率与步数对比。
大模型多模态智能体论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。