推文

@fireandstart · 2026-10-14 09:11

这条 COAP 的亮点不是“让机器人只跑 Python”，而是把学习和执行放在不同时间尺度：离线让 coding agent 反复编写、调试可复用的感知与抓放函数；在线由状态跟踪器记录物体位姿、抓取状态、任务进度和重试次数，再按“测量—动作—验证—恢复”循环执行。新任务 83% 代码复用、仿真 42 项任务成功率 70.24%、CPU 中位决策耗时 0.3ms，说明这种分工值得认真研究：昂贵模型不必每几百毫秒都介入控制回路，边缘侧的显式状态和可检查代码可能带来更快、更可预测的动作。 但数字的边界同样关键。42 项是 RoboDojo 仿真任务，感知还依赖已知相机标定、机器人网格和物体尺寸；用 simulator oracle state 替代测量后，成功率从 63% 升至 83%，正好暴露出 sim-to-real 与状态估计仍是核心难题。真实场景里的遮挡、反光、摩擦变化、柔性物体、相机漂移，以及传感器失效，都可能让“测量—验证—恢复”链条失真。要证明方法能落地，下一步需要在未见过的物体和布局、标定误差、扰动与硬件实机上评估，并报告失败类型和恢复成本。 我更愿意把它看作一种工程路线，而非“基础模型将被 Python 取代”：模型负责发现和修复技能，确定性程序负责高速执行，运行时监控负责判断何时回退到模型或安全策略。这样的系统能否可靠，最终取决于边界是否清楚、感知不确定度是否传递、失败时是否进入可控状态，以及跨任务复用有没有引入隐蔽副作用。把这些指标和成功率一起公开，比单独刷新仿真榜单更能说明机器人是否真正变得可靠。

曝光 25 · 评论 1 · 点赞 0 · 书签 0 · 曝光/时 19.064148113739094