BATON：通过智能体子任务探索与转换感知记忆实现长时程机器人操作

arXiv 论文提出 BATON 方法，用于长时程机器人操作任务。该方法将探索单位从整个任务缩小到子任务，使探索成本从指数级 T^K 降为加法级 T*K，并通过转换感知记忆解决子任务间衔接问题，使失败可归因到单一阶段。

现有方法在长时程任务中因错误累积和子任务衔接不当而失败，BATON 通过子任务级探索和转换感知记忆，将探索成本从指数级降为加法级，并实现失败归因，有望提升机器人多阶段任务的可靠性。

LLM 智能体负责语言规划和自由空间运动，仅在接触丰富阶段调用 VLA 模型；以子任务为探索单位，在短时程场景下学习并存储解决方案，再组合成长轨迹，避免整任务探索的高成本；转换感知记忆包含进入条件验证和子任务间交接，确保前序子任务的输出满足后续子任务的输入要求。

该方法可降低长时程机器人任务的试错成本，提升任务成功率，并简化调试（失败可定位到单一子任务）。对机器人自动化产品，可能减少人工干预，提高多步骤操作（如装配、整理）的可靠性和部署效率，但模型推理和验证可能增加算力开销。

• 在现有机器人操作系统中集成 BATON 的子任务探索模块，实现长时程任务的快速部署。
• 开发基于转换感知记忆的调试工具，用于定位多阶段任务中的失败环节。
• 针对工业装配场景，提供 BATON 预训练策略，降低客户试错成本。
• 将 BATON 与 VLA 模型结合，推出面向高校和科研机构的机器人研究套件。

• BATON 在真实物理机器人上的操作成功率是否达到论文中的效果？
• 该方法是否适用于接触丰富度较低的通用任务？
• 转换感知记忆的具体实现细节和开销未在摘要中说明。
• BATON 与其他基线方法的量化对比数据尚未提供。