Skip to content

新闻IEEE Spectrum Robotics13 天前

UC Berkeley与NVIDIA发布Agentic Robotics,以代码生成破解数据瓶颈 ​

本文由 AI 根据公开内容整理,可能有误,请以原文为准:Can Agentic Robotics Solve Robotics’ Data Scaling Problem?(IEEE Spectrum Robotics)

核心内容 ​

在2026年机器人学习会议上,UC Berkeley与NVIDIA联合发布Agentic Robotics技术路线,旨在解决当前具身智能过度依赖数据却难以满足工业级可靠性的痛点。Ken Goldberg教授指出模仿学习已触及天花板,单纯增加数据无法保证收敛,且黑盒模型缺乏商业部署所需的安全性与可解释性。新范式回归基于模型的方法论本质,但利用AI编码工具替代人工编写底层控制逻辑,试图在不依赖大规模人类演示数据的前提下,实现机器人在工业环境中的实用化编程。

Agentic Robotics核心机制是将机器人任务规划从“数据拟合”重构为“代码生成”问题,直接复用大语言模型在互联网文本上获得的规模化能力。用户通过自然语言下达指令(如打包杂货),系统自动将复杂任务分解为子任务并生成对应的人类可读代码。该方法规避了机器人专用数据集规模远小于互联网语料的劣势,使编程过程透明可控。相比端到端神经网络,生成的显式代码更易于调试与验证,解决了Siemens、Bosch等企业在实际产线中遇到的长尾失效与安全合规难题。

关键看点 ​

  • 范式转移:将机器人编程从数据驱动的模仿学习转变为LLM驱动的代码生成,利用语言模型规模效应替代昂贵的物理数据采集
  • 工业痛点:针对模仿学习在工业场景可靠性 plateau 问题,提供人类可读的显式代码输出,满足商业部署对安全与可解释性的刚需
  • 任务分解:支持自然语言指令输入,系统自动将复杂操作(如杂货打包)拆解为独立子任务并分配给专用模块执行
  • 零数据依赖:无需预先收集海量人类演示数据,通过理解机器人运动学模型与API直接生成控制程序,降低冷启动成本

工程与产业观察 ​

该进展标志着具身智能研发重心从“唯数据论”向“神经符号融合”回调。对于算法工程师,这意味着需重新评估LLM作为高层规划器与代码生成器的工程价值;对于产业决策者,Agentic Robotics提供了一种在数据匮乏阶段快速验证场景、兼顾灵活性与安全合规的低成本路径,有望加速人形机器人在非标工业环境的落地测试。

基于本页技术方向关联的整机参数、核心零部件、实测报告与同赛道选型横评。

外部来源

本页事实对应的公开页面,以原文为准。(点击将离开本站)

  1. IEEE Spectrum Robotics:Can Agentic Robotics Solve Robotics’ Data Scaling Problem? ↗访问 2026-11-09