DynaHarness动态物理框架提升机器人长时操作成功率
论文AI 评分 72/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对预训练策略在长时操作中语义推理与物理执行协调难、失败归因模糊的问题，DynaHarness框架通过共享执行契约耦合慢速语义脑与快速物理脑。慢脑提议能力与符号参数，快脑负责落地、监控、拒绝未决动作并在必要时请求重规划。框架将失败证据转化为能力修订，配合回归检查闭环自进化。在LIBERO-Pro测试中，该框架在800个新初始状态下达75.2%成功率，冻结策略仅17.5%；同等能力库下全动态执行达74.0%，名义单步重规划为63.9%。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载双脑协同与执行契约
长时操作任务要求语义推理与物理执行紧密配合，但两者运行时间尺度差异大，且任务级失败难以定位具体出错组件。DynaHarness引入共享执行契约来耦合这两层。慢速语义脑负责提出所需能力及符号参数，快速物理脑则负责指令的落地与监控，包括拒绝未决动作、替换能力及在必要时请求重规划。执行契约为每个接受指令设定边界，并记录分析、恢复技能及冻结VLA的执行证据。
失败归因与自进化闭环
该框架的核心在于将失败证据转化为经过验证的能力修订。通过失败归因机制，系统能在执行记录中定位故障，并针对性地修改可复用能力或执行机制。修订后，配对的回归检查决定新能力是被接纳还是拒绝，从而形成自进化闭环。这种机制使系统能从执行失败中学习，持续优化自身能力库与执行策略，而非仅依赖固定的预训练策略。
LIBERO-Pro基准测试表现
在LIBERO-Pro基准的800个全新初始状态测试中，采用DynaHarness的方案取得75.2%的成功率，而直接使用冻结策略仅17.5%。在保持相同能力库的条件下，全动态执行成功率为74.0%，而采用名义单步重规划的方式为63.9%。这些数据验证了该框架在管控现有能力落地、监控及协调执行方面的显著价值。
为什么值得看
解决机器人长时操作失败归因难题，实现能力自进化闭环，长时任务成功率较基线提升超4倍。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。