air-embodied-brain/Zetta-Embodiment

解決的問題

Zetta 設計用於提升具身 AI（機器人）的成功率，允許其自我進化從失敗中恢復的能力。與重新訓練龐大的基礎策略不同，Zetta 在線進化基於程式碼的「評論者」與恢復技能，以應對特定的失敗模式，顯著提升在 LIBERO-Pro 與 RoboCasa 等基準測試中的成功率，同時維持高推理速度。

工作原理

Zetta 使用閉迴路的「進化協定」來迭代提升機器人性能：

1. 失敗聚類：利用影片與遙測資料對失敗軌跡進行分組，識別常見的失敗模式。
2. 因果診斷：診斷階段解釋失敗背後的因果機制。
3. 候選生成：一個「候選撰寫器」產生一個包含「評論者」（用於偵測失敗）與「恢復執行者」（用於修復失敗）的組合包。
4. 驗證：新恢復技能透過「影子重播」與「同種子門控」進行測試，通過後才被提升為最終驗證技能集。
5. 執行：執行時，基礎策略保持凍結，但進化後的評論者可提出恢復動作，由高階決策機構（Role1）決定接受或拒絕。

適用對象

本專案適用於從事具身智能、機器人操作與視覺-語言-動作（VLA）模型的研究人員與開發者，希望在不承擔完整模型微調計算成本的前提下，實現自我修正行為。

亮點

• 高性能量：在 LIBERO-Pro（90.8%）與 RoboCasa（93.6%）上達成最尖端的成功率。
• 高效性：相比傳統方法，推理速度提升 11.1 倍。
• 廣泛環境支援：可整合至 LIBERO、RoboCasa 與 RoboTwin。
• 模組化架構：將滾動執行時（推理／模擬）與進化邏輯（診斷／恢復生成）分離。