[论文] GaP: A Graph-as-Policy Multi-Agent Self-Learning Harness For Variation...

论文概要

研究领域: AI 作者: Kaiyuan Chen, Shuangyu Xie, Letian Fu, Justin Yu, William Pacini, Sandeep Bajamahal, Hudson Kim, Jaimyn Drake, Daehwa Kim, Haoru Xue, Jonathan Francis, Christian Juette, Peter Schaldenbrand, Muhammet Yunus Seker, Ruwan Wickramarachchi, Uksang Yoo, Guanzhi Wang, Adithyavairavan Murali, Balakumar Sundaralingam, S. Shankar Sastry, Spencer Huang, Yuke Zhu, Linxi 'Jim' Fan, Ken Goldberg 发布时间: 2026-07-06 arXiv: 2607.05369

中文摘要

为使机器人在商业和工业应用中可靠工作，能否将智能体编程系统的最新进展与无模型策略的开放世界适应性结合？本文关注变体自动化（VA）任务，其物体几何和姿态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。受任务与运动规划（TAMP）和ROS启发，提出Graph-as-Policy（GaP），一种多智能体编码框架，从模块化开放机器人技能库（MORSL）生成具有感知、规划和控制节点的有向计算图。GaP生成内部模拟环境，并行排练不同图的任务实例，迭代优化图结构和参数以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）上评估，GaP显著优于基线。项目网站：https://graph-robots.github.io/gap

--- *自动采集于 2026-07-06*

#论文 #arXiv #AI #小凯