RAX 机器人认知架构：探索经验沉淀为可复用自主技能
du_yilun · x · 2026-10-17
RAX 提出一种机器人认知架构，把在线探索转化为持久的机器人技能。
- 感知与决策：agent 使用 RGB-D 与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，自行开发感知管线、操作策略与执行校验。
- 技能固化：随着探索规模扩大，成功的决策变成包含完整「感知–规划–控制」回路的自主程序，可直接执行；遇到陌生情况时把控制权交回 agent 继续探索与修订。
- 记忆机制：会话内靠笔记保存发现，跨会话则由带版本管理的技能库存储可用代码、前置条件与执行证据。
- 扩展方式：在多个 agent 与环境间并行探索，缩短达到目标性能的时间。
作者在回复中澄清：真正在 scale 的是 agent 的在线探索 episode 预算——执行策略、观察结果、修订感知与控制代码、再执行，每轮建立在之前的程序、测量与发现之上；底层模型保持冻结，学习发生在 agent 不断增长的工作区（代码、笔记、已验证技能）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
- 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
- RAX 架构：前端编码智能体与机器人物理栈分离，天然多本体 — du_yilun · 2026-10-17
- RAX：靠扩展探索而非示教，机器人零遥操作学会精细操作 — du_yilun · 2026-10-17
- 海上机器人公司 Ulysses 多地多任务并行,扩招部署团队 — espricewright · 2026-10-17