RAX 认知架构拆解：探索成果沉淀为可复用机器人技能库
du_yilun · x · 2026-10-17
这篇讲 RAX 的认知架构如何把探索变成持久技能：agent 用 RGB-D 和力觉观测构建任务相关的 3D 模型，通过机器人的控制与运动学工具搜索动作，自主发展感知管线、操作策略与执行检查。
随着探索扩展，成功决策固化为包含完整感知-规划-控制回路的自主程序，可直接运行；遇到陌生情形则把控制权交还 agent 继续探索和修改。记忆机制分两层：会话内的笔记保存发现，跨会话的带版本技能仓库存储可用代码、前置条件与执行证据。团队还跨 agent 和环境并行探索，缩短达标时间。
被引用的上文说明「扩展的是什么」：是 agent 的在线探索轮次预算——执行策略、观察结果、修订感知与控制代码再执行，底层模型保持冻结，学习发生在 agent 不断增长的代码、笔记与已验证技能工作区中。
所属事件:RAX：零示教靠扩展探索，机器人学会精细操作(6 条相关)→
「具身」频道最新
- AGI House×Google Gemma 硬件黑客松:LiteRT 赛道单项奖金1.5万美元 — agihouse_org · 2026-10-17
- iPhone Duo 预订瞬间售罄,新订单排到 2027 年 1 月 — mitchdeg · 2026-10-17
- P-BFM:仅凭平地参考让 Unitree G1 自适应复杂地形 — ChongZzZhang · 2026-10-17
- 研究者构建生成式机器视觉管线：单目视频重建场景静态与动态元素 — RexDouglass · 2026-10-17
- Starkey 发布 Omega AI+ 助听器：Quad DNN 架构与睡眠追踪 — BrandonSawalich · 2026-10-17
- RAX 全量开源：零演示数据，连失败实验都放出来了 — du_yilun · 2026-10-17