来自 arXiv 的论文《Recover, Discover, Plan: Learning Skills and Concepts from Robot Failures》由 Bowen Li 等共十位作者完成，于 2026 年 6 月 16 日提交至 arXiv，编号为 arXiv:2606.18328v1，归类于机器人学（cs.RO）。该论文共 9 页、含 6 幅图，并提供了项目网站链接，相关 DOI 已通过 DataCite 发放（注册尚待完成）。论文的核心主张是：智能机器人不应只在失败后恢复，还应获取避免未来失败的抽象知识。
传统上，强化学习（RL）能够训练出反应式的恢复行为，但为每一种不同的失败模式单独训练一个策略效率极低。针对这一痛点，作者提出了 ReSYNC（Recovery-Driven Synthesis of Relational Concepts，即“恢复驱动的关系概念合成”），这是首个从失败恢复经验中逐步发现并精炼状态抽象（关系谓词）以支持抽象规划的方法。与纯反应式方法不同，ReSYNC 通过增量式的双重学习过程同时学习技能与概念。
具体而言，该框架分为两个阶段。在技能学习阶段，机器人使用强化学习学会从训练任务中遇到的失败中恢复。在概念学习阶段，机器人发现新的关系谓词，并精炼其抽象规划模型，用以解释并泛化所学到的恢复行为。两个阶段相互作用，使 ReSYNC 能够将训练中观察到的局部恢复转化为测试时的全局失败规避。
在四个模拟领域中进行的实验表明，ReSYNC 能够持续扩展和精炼其抽象库，从而解决此前未见过的长时程问题，性能超过强基线方法 50% 以上。此外，作者还展示了 ReSYNC 的仿真到现实（sim-to-real）迁移能力：它能在真实世界中执行非抓取式操作技能，并通过抽象规划泛化到未见过的场景。
作者总结称，ReSYNC 是迈向能够自主获取抽象概念、在物理世界中实现可扩展且具备失败感知能力的规划机器人的重要一步。