智能体与自主科学
突破级
暂无讲解视频
收录解读
问题与背景：长时程机器人任务的一个核心瓶颈是数据采集、策略学习和部署流程割裂，导致需要大量人工重置、策略组合脆弱且执行阶段与采集阶段语义不一致。
方法/新意：RoboClaw 用一个 VLM-driven controller 统一数据采集、策略学习和任务执行，并引入 entangled action pairs，让前向操作和恢复动作形成自复位循环，从而支持连续 on-policy 数据获取和长期任务编排。
意义/放在仓库中的位置：这篇论文属于 agentic robotics / long-horizon manipulation 主线。它的重要性在于把机器人生命周期中的采集、训练和执行放到同一个 agentic 框架里。
局限/为何不再升一级：虽然真实机器人价值高，但方法影响主要仍在 long-horizon manipulation 这一赛道。