# PhysEvo låter en fryst robotmodell förbättra sina färdigheter

> Det nya ramverket PhysEvo låter en statisk AI-modell stegvis förfina robotuppgifter och höja träffsäkerheten både i simuleringar och med en verklig robot.

Oossa · 2026-10-08 · https://oossa.com/sv/physevo-lets-a-frozen-robot-model-improve-its-own-skills

Forskarna har introducerat PhysEvo, ett system som låter en och samma oföränderliga robotmodell ingå i en loop där den själv identifierar problem och reviderar verktyg. En uppgiftsagent styr roboten. Därefter granskar en meta-agent vad som gick fel, skriver om verktyg eller färdigheter och testar korrigeringarna. Loopen kan också förbättra meta-agentens egna metoder för att ställa diagnos, så att förbättringarna byggs på över tid utan att modellens underliggande vikter ändras.

## Hur bra fungerar det?

I RoboDojo-testet utvärderades PhysEvo på 42 uppgifter med layouter som systemet inte hade sett tidigare. De versioner av agenten som sparades fick i genomsnitt 68.14 av 100 poäng och klarade 62 % av uppgifterna. Som jämförelse klarade den bästa publicerade Astra-agenten i ett enda försök (RoboDawn) 47.17 % av samma uppgifter. På åtta särskilt svåra manipulationsuppgifter nådde PhysEvo en framgångsgrad på 55 %, medan baslinjen med direkt Astra bara klarade 1.25 %.

## Från simulering till en verklig robot

Teamet överförde det kontrollsystem som utvecklats i simulering till en AgileX PiPER-robot och fortsatte att revidera färdigheterna på hårdvaran. I fem uppgifter i verkliga miljöer och under 25 försök fick roboten i genomsnitt 90.60 poäng och klarade 84 % av uppgifterna.

## Fakta

- PhysEvo använder en fryst modell och förbättrar prestandan genom en meta-agent som reviderar verktyg och diagnosmetoder.
- På 42 RoboDojo-uppgifter fick PhysEvo i genomsnitt 68.14/100 poäng och klarade 62 % av uppgifterna.
- RoboDawns Astra-agent, som gör ett enda försök, nådde en framgångsgrad på 47.17 % i samma test.
- På åtta svåra manipulationsuppgifter lyckades PhysEvo i 55 % av fallen, jämfört med 1.25 % för direkt Astra.
- När PhysEvo kördes på en AgileX PiPER-robot fick systemet 90.60/100 poäng och klarade 84 % av uppgifterna under 25 försök.

## Varför det spelar roll

För robotutvecklare visar PhysEvo att en enda statisk AI-modell kan göras mer kapabel utan kostsam omträning, vilket sparar beräkningstid och data. Det tyder också på att befintliga robotar skulle kunna uppgraderas med en liknande loop för självdiagnos och därmed få längre användningstid. Oberoende validering i verkliga miljöer utöver den här studien behövs fortfarande.

## Källor och referenser

1. [PhysEvo: Astra Can Act, Let It](https://arxiv.org/abs/2610.08995) – arXiv cs.RO, 2026-10-08

Senast uppdaterad: 2026-10-08