NUS 提出 APPL：用结构先验打通机器人技能学习与技能组合
NationalUniversityofSingapore · hf · 2026-10-02
新加坡国立大学团队提出 APPL（Agent Priors-guided Policy Learning），解决少样本示教机器人学习中「组合泛化」与「技能泛化」互相依赖却信息断裂的问题：上层组合只能通过名称/指令等描述看到技能，看不到策略训练结构。
关键思路是把每个策略的结构先验（如「抓取只取决于夹爪相对物体的位姿」）同时嵌入训练与接口：
- 构建型 agent 将完整示教分割为可复用技能，为每个技能提出多个结构先验，逐一训练并验证策略；
- 运行时 agent 依据先验接口在多个策略间选择并组合完成新任务。
在 MetaWorld 和长时序 ManiSkill 任务上，APPL 提升了分布外技能泛化，并实现了此前不可见的技能组合；消融接口信息会显著掉分，证明训练期结构假设可作为技能学习与组合之间的桥梁。
「具身」频道最新
- 波士顿动力 Atlas 新手 GR3 仅四指：13 自由度的工业取舍 — xiaohu · 2026-10-02
- Hugging Face LeRobot 支持 Asimov 人形机器人,π0.5 驱动全身运动 — freelerobot · 2026-10-02
- 研究员吐槽人形机器人没法真上岗：厂商不敢送厂里干活 — andrew_n_carr · 2026-10-02
- 在 Kaggle 上训练出「太极 policy」，机器人比划功夫雏形 — freelerobot · 2026-10-02
- 首尔大学 BeyondSCe：机器人凭历史事件抓取被遮挡目标，成功率 77% — SeoulNationalUniv · 2026-10-02
- 开源硬件 Harness 玩家自改固件：把 Agent 从 App 搬进 orca — dee_hw · 2026-10-02