知识卡片：EmbodiedRSI：通过假设引导协同演化的主动持续机器人学习

一句话结论

EmbodiedRSI 是一种自演化智能体外壳，通过假设图、信息价值实验选择与代码-技能协同演化，让机器人基础模型在对象位置或任务指令变化时持续改进；材料报告其在 RoboCasa365、LIBERO-Pro 和真实机器人零样本迁移上取得较高成功率。

事件概述或研究问题

机器人基础模型具备较强视觉运动控制能力，但当物体位置或任务指令变化时，性能可能下降。进一步改进通常需要对大量机器人数据进行后训练，而遥操作等方式采集成本较高。

现有自演化智能体外壳可以围绕模型做适配，但在决定追求哪些代码和技能改变时，对机器人试验的利用效率不足。本文提出的问题是：如何让智能体外壳自主决定下一步探索哪里，并把物理交互结果转化为更好的代码和技能。

方法/产品要点

• 提出 EmbodiedRSI，一种自演化智能体外壳，自主决定下一步探索位置，并将物理交互转化为代码与技能改进。
• 采用 Fast-Slow Dual-System Architecture（快慢双系统架构）。
• 在 Hypothesis Graph 中维护相互竞争的代码假设与技能假设。
• 使用 Value-of-Information Experiment Selection 选择能区分这些假设的物理实验。
• 实验结果用于指导 Code-Skill Co-Evolution（代码-技能协同演化）。
• 慢系统构建 Hierarchical Memory；Reward-Grounded Memory Learning 根据记忆对后续快系统改进的价值，选择有效记忆。

主要结果或产业意义

• 在 RoboCasa365 上，EmbodiedRSI 达到 77.0% 总体成功率，Composite-Unseen 上达到 71.3%；材料称最佳基线为 40.1%，但未说明基线名称与完整对比设置。
• 在 LIBERO-Pro 上，EmbodiedRSI 达到 86.8% 总体成功率。
• 除基准测试外，EmbodiedRSI 零样本迁移到真实世界机器人，在多个挑战性任务上达到 71.3% 总体成功率。
• 产业意义方面，材料未直接展开商业化或部署数据。从摘要可理解为：若结果可复现，这类方法可能降低对大规模机器人数据采集与遥操作的依赖，并提升机器人基础模型持续适配的效率。具体成本、数据需求和部署成熟度待核实。

为什么重要

• 它针对机器人基础模型部署后的持续改进问题：模型不只是在静态数据上训练，还可在物理交互中主动探索并更新。
• 它把物理实验当作“信息获取”手段：通过选择最能区分假设的实验，提高机器人试验的使用效率。
• 它尝试连接基准测试与真实世界：材料同时报告 RoboCasa365、LIBERO-Pro 与真实机器人零样本迁移结果。
• 与提供的已有卡片相比，本条增量集中在机器人基础模型的主动持续学习、假设引导协同演化和自演化智能体外壳，而非视频生成推理或机器人视觉抽象沟通。

与既有脉络的关系

提供的已有相关卡片包括“机器人通过投影视觉抽象学习沟通”“OpenCoF：通过视频生成学习推理”等。本条与它们无直接延续或更新关系；增量信息是：EmbodiedRSI 聚焦机器人基础模型在变化条件下的持续学习，并用假设图与信息价值实验选择来组织物理交互。

局限与不确定性

• 当前仅基于 arXiv 摘要与元数据，未获取全文；方法细节、完整实验设置、统计显著性、消融实验等待核实。
• 最佳基线的身份、比较公平性、评价协议、任务数量与难度设置待核实。
• RoboCasa365、LIBERO-Pro 与真实机器人任务的具体定义、硬件平台、运行成本、试验次数待核实。
• “零样本迁移”是否完全无真实数据微调、是否使用额外先验或人工干预，待核实。
• 代码、数据、模型权重是否开放，计算资源需求与训练/推理成本待核实。
• 论文发表状态、同行评审情况与作者单位待核实。

可用于图书/PPT/简报的角度

• 从静态基础模型到主动持续学习：机器人部署后如何通过自演化外壳继续变强。
• 把物理试验当作信息获取：用 Value-of-Information Experiment Selection 类比主动学习、实验设计与 A/B 测试。
• 快慢双系统与假设图：如何管理代码假设、技能假设与长期记忆。
• 代码-技能协同演化：机器人技能改进不孤立发生，而可能与代码策略共同演化。
• 从基准到真实：RoboCasa365、LIBERO-Pro 与真实机器人零样本迁移的叙事线。
• 成本对比：遥操作数据采集 vs. 自主物理实验选择。

原始材料

• 英文标题：EmbodiedRSI: Active Continual Robot Learning Through Hypothesis-Guided Co-Evolution
• 英文关键词/术语（来源未单独列出作者关键词，以下为来源中的英文主题与核心术语）：foundation-model；EmbodiedRSI；Active Continual Robot Learning；Hypothesis-Guided Co-Evolution；Fast-Slow Dual-System Architecture；Hypothesis Graph；Value-of-Information Experiment Selection；Code-Skill Co-Evolution；Hierarchical Memory；Reward-Grounded Memory Learning
• arXiv ID：2610.10498v1
• Authors：Python Song, Zhixuan Liang, Kelsey Fu, Mengdi Wang, Junfeng Yang, Shilong Liu
• Published：2026-10-07T17:48:02Z
• Updated：2026-10-07T17:48:02Z
• Primary category：cs.AI
• Categories：cs.AI
• Track：academic
• Topics：foundation-model
• Abstract URL：https://arxiv.org/abs/2610.10498v1
• PDF URL：https://arxiv.org/pdf/2610.10498v1
• 说明：以上内容来自该 arXiv 条目的标题、摘要与元数据；未获取全文，无法从材料确认的部分已标注待核实。