通过对话持续学习机器人技能与任务

基于摘要分析。本文研究机器人如何通过与人类用户的自然语言对话，持续学习新的视觉运动技能和任务相关信息。作者提出结合 Action Chunking Transformer with Low Rank Adaptation（ACT-LoRA）与现有 Large Language Model（LLM）的框架，使机器人主动询问未知技能，并利用用户提供的少量机器人示范学习技能、完成任务。 技术机制上，LLM 用于人机交互，ACT-LoRA 用于持续学习机器人控制策略。相较于摘要所述侧重指令跟随、语言任务学习或被动技能获取的既有路线，本研究强调主动获取技能与持续更新控制策略的结合。摘要未披露 ACT-LoRA 的具体适配位置、参数更新方式、历史技能保持机制，以及对话如何连接技能选择和控制执行，这些实现细节尚未验证。 作者报告，在 RLBench 和 LIBERO 的持续学习评估中，ACT-LoRA 相对 GMM-LoRA 在微调技能上分别取得 40% 和 30% 的改进；摘要未明确指标定义、相对变化或百分点口径，也未给出任务划分与基线绝对值，因此不能将其直接解读为成功率提高相应百分点。作者还报告，在经 IRB 批准的三明治制作用户研究中，非专家用户可通过示范和对话教授新的动态技能；研究中新三明治制作任务的总体完成率为 87.5%，测试阶段执行用户所教新技能的成功率为 100%。被试数量、试验次数、技能划分、统计不确定性，以及相对非学习智能体的实际节时幅度尚未验证。 研究的主要对象是机器人视觉运动控制与人机对话，而非 EEG 解码或 BCI。其对示范数据、视觉观测和语言交互的依赖不能直接对应神经信号学习；当前摘要不足以建立具体 EEG 迁移路径，不提出 BCI 复现实验建议。相关 EEG 工作尚未检索确认。复现仍需核对全文中的训练配置、持续学习协议、消融和代码可用性。