可愛的機器人代理系統學習研究：RATs 透過玩耍累積技能
為何重要
這項研究證實了「預學習」的概念可延伸至具身機器人領域，透過自主玩耍積累技能，能顯著降低後續具體任務的執行難度。對開發者而言，這意味著只需提供基礎模型，再透過自主 play-generated skills 即可提升 Agent 在特定任務（如物體操作）的效能，而非每次都重新訓練模型，勾勒出機器人 Agent 模組化與樂高化發展的技術路徑。
- 本研究提出將「自我導向的玩耍」作為機器人代理在遭遇下遊任務前的持續技能學習階段。
- 引入 RATs（Robotics Agent Teams），透過提出探索性任務、診斷錯誤並將成功執行蒸餾成程式碼技能庫。
- 實驗顯示，相較無玩樂基準，該方法在 LIBERO-PRO 和 MolmoSpaces 上分別提升 20.6% 和 17.0%，且可直接匯入其他 agents 提升效能。