SayCan：语言相关性与可执行性联合规划

本页复现逐步技能枚举及“语言分数 × affordance”决策，不把确定性工具 mini-suite 冒充真实移动机械臂。

论文信息

字段	内容
论文链接	SayCan
公司 / 机构	Robotics at Google / Everyday Robots
首次公开日期	2022-04-04
原作者代码	模拟 tabletop 实现
本地 adapter / CLI key	saycan
本地复现代码	src/auto_research/agent_research/

原始论文总结

背景与主要改动

LLM 知道“应该做什么”，却不知道当前机器人“能不能做”。SayCan 为每个预训练技能 同时计算语言相关性和 value-function affordance，选择乘积最高的技能并执行，再把 动作追加到上下文继续规划。

flowchart LR
    I["高层指令"] --> L["LLM 技能相关性"]
    S["环境状态"] --> V["技能 value / affordance"]
    L --> M["分数相乘"]
    V --> M
    M --> A["选择并执行可行技能"]
    A --> S

原论文关键图

原论文 Figure 1（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ \pi(s\mid i,h,e)\propto p_{\mathrm{LM}}(s\mid i,h)\, p_{\mathrm{aff}}(\mathrm{success}\mid s,e). \]

论文离线与线上效果

PaLM-SayCan 在 101 个机器人任务上达到 84% plan success 和 74% execution success；FLAN-SayCan 分别为 70% 和 61%。这是实体机器人评测，不是生产 A/B。

本地复现

PlanBench mini 120 episodes、seed 42；每一步同时打分必要技能和干扰技能。

指标	Long-context 基线	SayCan
joint success	1.0000	1.0000
average cost	64.5000	3.3750
affordance checks	0	1350
infeasible filtered	0	790

auto-research agent-eval --method saycan --benchmark planbench-mini \
  --episodes 120 --memory-size 24 --seed 42

稳定指标： p1-agent-candidates-mini-suites-seed42.json。

复现边界

保留双分数逐步规划与不可行技能过滤；affordance 是确定性本地可执行性，不含视觉、 机器人控制策略或真实 value-function 训练。