Hugging Face发布ViGAR框架：革新机器人长时组合操作任务处理

摘要：Hugging Face推出了一种名为ViGAR（Visual Goal-conditioned Action Reasoning）的新型框架，旨在解决机器人长时组合操作任务中的子任务推理问题。ViGAR通过视觉子目标规划器和子目标执行器的分层架构，将复杂任务分解为多个子任务，并利用共享的世界模型表示实现任务级规划和动作生成。在RoboTwin Clean2Random基准测试中，ViGAR在清洁和随机设置下的成功率分别达到82.00%和67.02%，平均成功率超过最强基线12.86个百分点。此外，ViGAR在真实机器人实验中表现出色，验证了其在复杂任务中的有效性。

---

背景与挑战

在现实世界的机器人部署中，长时组合操作任务变得越来越重要。这些任务通常涉及多个协调的子任务，而现有的世界-动作模型（WAMs）虽然能够联合预测短期视觉未来和动作，但通常缺乏对子任务的显式推理能力。这导致在处理复杂任务时，机器人的表现受到限制。

ViGAR框架介绍

Hugging Face推出的ViGAR（Visual Goal-conditioned Action Reasoning）框架通过分层架构解决了这一问题。ViGAR将机器人操作任务分解为两个主要组件：

1. 视觉子目标规划器：根据当前观察和全局指令预测下一个子任务的视觉子目标。
2. 子目标执行器：基于预测的子目标，生成未来的视觉轨迹和动作。

这两个组件共享一个预训练的世界模型表示，使得任务级规划和动作生成能够从通用的物理知识中受益。

技术亮点

• 分层架构：通过将任务分解为子目标和执行步骤，ViGAR能够更有效地处理复杂任务。
• 共享世界模型：利用预训练的世界模型表示，ViGAR实现了任务级规划和动作生成的高效协同。
• 上下文学习支持：ViGAR支持在上下文学习中使用全局目标图像作为上下文，从而无需参数更新即可诱导不同的子任务分解和行为。

实验结果

在RoboTwin Clean2Random基准测试中，ViGAR在清洁和随机设置下的成功率分别达到82.00%和67.02%，平均成功率超过最强基线12.86个百分点。此外，ViGAR在五个组合任务和两个上下文学习任务的真实机器人实验中表现优异，进一步验证了其有效性。

行业影响与开发者建议

ViGAR的发布为机器人操作领域带来了新的技术路径，特别是在处理长时组合任务时。其分层架构和上下文学习能力为开发者提供了更灵活、更高效的解决方案。建议开发者关注ViGAR的以下方面：

• 子任务分解策略：如何根据具体任务设计有效的子任务分解策略。
• 世界模型预训练：利用预训练的世界模型表示提升任务级规划的效率。
• 上下文学习应用：探索ViGAR在上下文学习任务中的潜力，开发更具适应性的机器人系统。

结论

ViGAR框架展示了在长时组合操作任务中处理子任务推理问题的创新方法，为机器人操作领域带来了新的突破。

---

消息来源：Hugging Face Daily Papers (2026-10-01)

—— 完 ——

主题标签： #Hugging Face 关注 #机器人 关注 #ViGAR 关注 #长时组合操作 关注 #AI智能体 关注