机器人与具身智能
突破级
暂无讲解视频
核心要点
- 问题/背景
- CHORUS 解决多机器人协作中的一个关键问题：能否用一个共享 VLA policy 控制不同机器人，而不依赖集中式联合观测或推理时通信。
- 方法/机制
- 方法把 pretrained VLA 的 visuomotor priors 迁移到多机器人场景，每个机器人只看自己的局部观察和身份 prompt，独立运行同一策略副本。
- 结果/证据
- 真实实验包括移动卷尺测量、图书交接和洗衣篮搬运，显示共享 VLA backbone 能产生反应式、去中心化协作。
- 收录价值
- 它值得收录，因为它把 VLA 从单机器人指令执行推进到 multi-embodiment decentralized collaboration，对具身基础模型和机器人群体协作有直接方法价值。
原始摘要与中文对照
中文对照翻译
CHORUS使单一VLA骨干模型适应跨越多样化具身形态的去中心化多机器人协作。在推理时，每个机器人运行策略的独立副本，仅以其自身观测和一个机器人识别提示为条件，无需显式的机器人间通信。真实世界实验包括移动卷尺测量、图书馆书籍交接和洗衣篮搬运，在这些实验中，CHORUS优于从头开始的去中心化基线和集中式基线。
原始摘要
CHORUS adapts a single VLA backbone to decentralized multi-robot collaboration across diverse embodiments. At inference time, each robot runs an independent copy of the policy conditioned only on its own observations and a robot-identifying prompt, without explicit inter-robot communication. Real-world experiments include mobile tape measurement, library book handovers, and laundry basket lifting, where CHORUS outperforms decentralized from-scratch and centralized baselines.