CoEvolve：面向人形机器人的从技能到策略的自演化代码策略

基于摘要分析。CoEvolve 研究多机器人在实际执行偏离预期时，如何调整可执行的协作策略，而不只是重新分解或分配任务。其核心贡献是将团队协调表示为调用固定机器人运动技能的可执行代码，并通过物理验证反馈持续修订协调方案；研究对象是人形机器人协作，而非 EEG 或 BCI 解码。 框架引入 Verifier Guided Coordination Evolution，由多模态基础模型结合运动原语、语义目标、临时机器人角色和有界执行参数生成协调策略。物理验证器评估每次执行后的状态转移；若行为被拒绝，系统从已接受的检查点发起结构化协调修订，并保留经验证的经验以指导后续决策。因此，摘要所述适配主要发生在固定运动技能之上的协调代码层面，不能据此推断底层运动技能也得到训练或更新。 作者报告，在两个模拟 Unitree G1 人形机器人协同搬运自由支承的刚性载荷、穿越受限走廊的评估中，覆盖三个多模态骨干模型家族的 15 次基础任务运行完成了 8 次任务，且每个骨干模型均实现过端到端成功。作者还报告，在另外两种走廊布局，以及同骨干和跨骨干的经验初始化条件下，获得了经验证的放置结果；摘要未给出这些附加评估的完整运行次数或成功比例，不能与基础任务结果直接合并比较。 作者指出，运动精度与接触稳定性仍存在持续限制。验证器判据、检查点恢复方式、经验存储与调用机制、具体骨干模型、对照基线、消融及统计信息尚未验证。材料没有提供与神经信号处理直接对应的方法机制，因此不据此提出 EEG/BCI 迁移结论或复现实验建议。