arXiv Robotics· Heng Fang, Zehui Guo, Yuehan Zhang, Mingyang Du, Dingkang Liang, Xiang Bai·· 5 小时前AI 评分55
WICL 让机器人通过上下文学习操作任务，RoboTwin 2.0 上单次演示达 83.4% 成功率
World In-Context Learning for Agentic Robot Manipulation
AI 导读
作者提出 World In-Context Learning（WICL），让冻结模型从一次演示出发，在仿真等世界中排练任务，并把反馈写入上下文而非网络权重，据此构建了模块化基础设施 RoboScript。
推荐理由模型分析
论文提出把演示经验写入上下文而非权重的 WICL 范式，并用 RoboScript 在仿真中排练任务、冻结为 Task Memory 后部署。在 RoboTwin 2.0 全部 50 个任务上，单次演示、无梯度更新条件下平均成功率 83.4%，比最强训练型动作策略高 20 多个点，可供关注具身智能数据效率与跨场景迁移的研究者对照其任务设置与评测条件。
来源：arXiv Robotics · arxiv.org