AgenticTask把RoboCasa任务扩到16450个:生成与执行共用一份任务记录,修补提高保存率
核心概要
具身智能训练需要大量可用的交互任务,而逐个指定并验证任务实例成本很高。AgenticTask让任务生成智能体和任务执行智能体共用一份分层任务记录:生成智能体在人类意图约束下复用交互结构、依据校验反馈修补配置,执行智能体用同一套实体绑定和几何记录选择机器人技能并核对完成条件。在RoboCasa上,该流程构建了16450个已保存任务实例,诊断引导修补相比重新采样提高了保存率,代价是每个保存实例的耗时和模型调用次数上升。
深度剖析
任务集合的扩张不再依赖逐个手工编写任务实例,而是由智能体在人类意图给定的交互要求下批量生成并筛选可用任务。 此前自动生成多停留在把高层请求翻译成任务描述或代码,候选任务仍需实例化、对照环境检查并在不兼容时修改。 在RoboCasa上构建的AgenticTask集合包含16450个已保存任务实例,按构建耗时折算为每小时保存若干实例,全部构建尝试中有一定比例通过配置的物理检查。
生成和执行两个智能体共用一份分层任务表示,语义要求、对象与部件绑定、几何场景图三层把任务意图和仿真中的具体实体连在一起。 分层表示把可复用的交互要求与实例特有的绑定和几何状态分开,使对象或场景变化时指令、初始条件和完成判据仍指向同一批物理目标。 生成智能体借助构建与校验反馈在允许的配置空间内修补候选,执行智能体用同一套绑定和几何记录选择机器人支持的技能,并按原始完成判据独立核对整段执行。
诊断反馈修补与重新采样是两种不同的候选回收方式,前者以更高的构建成本换取更高的保存率。 在固定任务要求和检查条件下,诊断引导修补把保存率提高到重新采样之上,同时每个保存实例的耗时和模型调用次数都上升。 对照实验报告了两种策略各自的保存比例、每保存一个实例的秒数和调用次数,修补的收益体现在产出而非构建速度上。
启示与展望
已展示的范围是RoboCasa仿真环境中的任务实例构建与执行测试:集合包含16450个已保存实例,执行结果来自在原始目标和约束下恢复初始状态的 rollout,成功案例覆盖物体放置、铰接控制、关门和顺序摆放。
任务集合继承现有资产、类别与部件标注以及仿真器接口的覆盖和精度;物理与机器人兼容性检查只在其搜索预算内确认配置条件,完整可解性需要额外证据;执行结果依赖模型、技能库、机器人和重试预算,部分失败试验无法区分任务问题与求解器问题;真实世界感知下的部署和跨本体迁移尚未测试。
