综述论文梳理机器人上下文学习的方法与应用框架

一篇综述论文围绕机器人上下文学习（ICL）展开梳理，关注通用机器人如何借助演示与交互推断新任务要求，并在部署部署把机器人真正放到工作现场长期干活，而不只是在实验室演示。部署规模决定了数据回流和经验积累的速度。◆ 小白科普 · 现身阶段保持神经参数不变的情况下调用已有能力。作者以连接上下文证据与执行的接口为线索，将相关研究划分为四类：上下文条件策略、几何演示迁移、基于世界模型模型AI 模型的简称，指经过训练、能从输入算出输出的程序。机器人的模型输入画面和指令，输出动作。◆ 小白科普 · 现身的控制，以及基于技能与智能体的执行。

论文比较了这些接口在迁移假设上的差异，并讨论了训练、对应关系与记忆在使上下文发挥作用时的角色。在操作与导航任务中，作者考察了当物体、环境和执行条件发生变化时，这些机制如何保持已教授的要求。该分析将方法设计与评测实践联系起来，用于区分对教学的响应性、物理迁移能力以及从保留经验中获得的收益。

作者提出，后续研究议程应将组合式任务获取、忠实迁移与物理递归自我改进相连接，即让经验提升机器人学习后续任务的能力。