按机器人失败原因生成训练场景：CoDA让pi0.5泛化成功率提高约5倍

当仿真器可以无限生成机器人训练环境时，如何挑选能纠正当前策略弱点的环境，又该给出什么样的训练信号让策略从中学会。

生成式仿真大幅降低了场景制作成本，但物理上有效的场景未必有用。现有数据引擎要么在人工设定的范围内变换场景，要么通过物理检查就停止，要么按单任务成功率分配预算，都无法说明策略为什么失败、如何引导它越过失败。只给成败的稀疏奖励也让每次更新见效很慢。

域随机化和均匀变体盲目采样变化；按成功率引导的生成仅用一个分数分配场景；技能库保存可复用代码，却把建场景的经验和训练经验混在一起。没有方法以结构化方式记录策略失败的原因。

CoDA以一个共享记忆为中心，让数据引擎与策略交替进化，记忆分别存放场景构建经验、经确认的失败诊断和学习进度。视觉语言评审模型（默认GPT-5.5）观察失败的执行并提出诊断，只有经过对照实验验证的诊断才写入记忆。记忆再编译成重现该难点的场景生成程序和帮助克服它的训练程序。Text2potential把诊断转化为分阶段的子目标势函数，为动作块价值学习提供稠密信号，在标准奖励塑形假设下不改变最优策略。实测的学习进度决定下一轮。

以pi0.5为策略时，抓放、铰接物体、放入、堆叠与插入四类任务的平均分布外成功率达到27.6%，示教数据微调为5.3%，域随机化7.9%，均匀变体8.5%，按成功率引导生成18.1%（相对提升52%）；迭代15轮后升至42.1%。在LIBERO-Pro上，位置变化条件由25%升至84%，指令变化条件由1%升至76%，分别比ASPIRE高7和9个百分点，标准LIBERO保持在97.4%（适配前97.1%）。Text2potential用2.1万次策略更新达到25%的分布外成功率，稀疏奖励需要3.1万次，约少32%。把评审模型换成Claude Opus 5、InternVL3-78B或Qwen3-VL-235B，成功率下降1.5至2.7个百分点。复用pi0.5积累的记忆，可让OpenVLA-OFT在不生成新场景的情况下由3.8%升至21.1%。成本为每1000个通过验证的环境消耗740万个语言模型词元和66个GPU小时。

该研究为预印本，只评估了仿真中的操作任务；作者表示向真实机器人迁移，尤其是对接触敏感的任务，仍有待验证。方法在场景生成、诊断和势函数编写上依赖多个基础模型，它们对物理的理解错误会流入数据，模型版本变化也可能改变结果。迭代5轮后分布外成功率仍只有27.6%，且每轮都会增加仿真和推理成本，限制了团队能负担的轮数和任务类型。