RoboFoundry: evoluzione del sistema come policy per agenti incarnati che apprendono autonomamente

Abstract degli autori

Un foundation model non dovrebbe agire da solo come agente incarnato. Eppure, i metodi esistenti spesso ottimizzano singoli componenti dell’architettura dell’agente, come la memoria, il contesto, le abilità o le interfacce per le azioni, invece di trattare il sistema di supporto come una policy unitaria. Inoltre, l’interazione da sola non produce un miglioramento autonomo, a meno che l’esperienza acquisita durante l’esecuzione non venga trasformata in modifiche persistenti e convalidate del sistema. Proponiamo quindi RoboFoundry, il primo framework agentico per agenti incarnati che formalizza questo processo come Self-Evolving System-as-Policy. RoboFoundry individua le lacune nelle capacità decisionali e nella gestione della memoria, trasforma le tracce di esecuzione in aggiornamenti del sistema specifici per il compito e convalidati, e integra nel sistema generale i miglioramenti ricorrenti. L’evoluzione agisce su due componenti complementari: un sistema di gestione del contesto, che amministra il contesto interno attivo e la memoria persistente nel file system, e un sistema gerarchico di abilità, che organizza abilità elementari, combinazioni riutilizzabili e procedure di recupero condizionate dagli errori. Un’interfaccia semantica condivisa separa le decisioni indipendenti dalla configurazione fisica dall’esecuzione specifica di ciascuna configurazione, consentendo il trasferimento delle capacità sviluppate dal sistema tra robot eterogenei. Su EmbodiedBench, RoboFoundry raggiunge prestazioni allo stato dell’arte, migliorando in particolare quelle di GPT-5.5 del 27,8%. Porta inoltre Qwen3.7-Plus a prestazioni quasi pari a quelle di GPT-5.5 (70,3% contro 72,7%), mostrando miglioramenti costanti, ottenuti con l’evoluzione del sistema come policy, su diversi foundation model. Per la memoria a lungo termine, RoboFoundry supera tutte le baseline su RoboMemArena di almeno il 39,0%, anche rispetto a metodi supportati da foundation model esterni. Su LIBERO-PRO, supera inoltre Cap-Agent0 dal 243,8% al 679,7% per tutti i tipi di perturbazione. Nelle applicazioni nel mondo reale, RoboFoundry dimostra trasferimento zero-shot ed evoluzione online tra robot e compiti diversi, mettendo in luce il suo potenziale per agenti incarnati completamente autonomi.