DiMuRe：面向机器人任务执行的诊断引导多级恢复

即使机器人的大部分任务程序仍然有用，扰动也可能使其下一步动作所需的条件失效。因此，恢复系统必须选择适合当前状态的响应。我们提出 DiMuRe（诊断引导多级恢复），这是一个面向机器人使用代理的框架，利用特定阶段的证据和方法前置条件，在程序复用与预定义恢复技能之间进行选择，其中包括有界视觉-语言-动作（VLA）抓取。在原始程序退出后，多模态大语言模型（MLLM）可以根据图像和执行反馈生成纠正代码。局部验证会检查每次恢复尝试的结果。我们还提出了 LIBERO-Disturb，这是一个用于评估中途执行扰动下鲁棒性与恢复能力的基准，支持基于程序的代理和 VLA 策略。在 801 个预先安排的受扰动 Encore 开发案例中，Local DiMuRe（程序复用与恢复技能）实现了 77.65% 的完整任务成功率，而在相同物理步数限额下，原始程序的成功率为 58.68%。Full DiMuRe 通过终端重新规划、额外步数限额和提前交接，实现了 81.90% 的成功率。与原始程序相比，Local DiMuRe 在每个预先安排的回合中使用的物理步数也更少。