首页 / 资讯详情
Agent 走向具身世界：从语言智能到机器人「大脑指挥官」
摘要
RoboHarness用编排异构策略，让VLA、WAM、RL和TAMP不再各说各话，并零样本完成长时序任务。 作者丨邓哲敏 编辑丨齐铖湧 想象这样一个任务：打开柜门，找到藏在里面的积木，然后把它们搭成一座桥。对人来说，这是一件很简单的事，几个动作自然衔接，幼儿园小朋友也能顺利完成。但对机器人来说，这个任务横跨多种完全不同的能力：找积木，需要视觉理解和语言指令跟随；开柜门，需要与环境进行复杂交互；搭积木，需要几何规划和精准操控并推测环境变化。更麻烦的是，这些种能力分属多个不同“门派”的模型——VLA（视觉-语言-动作模型）、WAM（世界-动作模型）、RL 策略（强化学习）、TAMP（任务与运动规划）。它们各有所长，又彼此割裂，训练方式不同、输入格式不同、状态空间也不同。今天在机器人领域，能力不缺，但协作缺位。华为诺亚方舟实验室近期发布了一篇论文，提出了名为 RoboHarness 的系统，专门解决不同策略之间无法协作的问题。围绕这项工作，论文作者与我们（雷峰网）进行了交流。论文：https://arxiv.org/abs/2607.18060项目主页：https://www.robo-harness.com/01万能模型的幻觉和现实的鸿沟今年夏天，机器人研究领域密集出现了几项围绕 Harness 展开的工作，它们共同指向一个认知：靠更大的模型解决一切，暂时行不通，机器人需要一层执行组织系统。清华大学于超教授团队在 7 月发布了 Harness VLA，将数字智能中广泛使用的 Harness Layer 引入具身智能，让一个冻结的 VLA 专注于最擅长的接触密集操控，同时用一层 Harness 学会何时、以何种方式调用它，以及在 VLA 失败后如何重置、如何重试。在 LIBERO-Pro 扰动评测中，这套系统把成功率从 50% 提升到 82.4%。思路上，Harness VLA 解决的是一个模型如何在分布外扰动下稳定发挥。它的问题是单策略的稳定性。华为诺亚方舟实验室的 RoboHarness，面对的是另一层问题：当任务超出任何一个模型的能力边界时，怎么办？两者都叫 Harness，都用 Coding Agent 做组织层，但解决的是不同维度的挑战。前者让一个专才变得更稳，后者让一群各有所长的专才协同作战。随着机器人任务复杂度不断上升，后一个问题正变得越来越无法回避。这个问题的根源，要从各路模型的能力边界说起。VLA 模型的优势在于理解开放式语言指令、在新环境里泛化，但它端到端生成动作的方式，在长时序任务中很难保持一致性；强化学习策略能在特定训练场景内磨出稳定的闭环行为，但这种稳定性高度依赖训练分布，环境稍有变化便可能失效；TAMP 擅长符号推理和几何约束，但需要预先定义动作原语，面对开放场景和模糊目标时规划器很快就会吃力；WAM 能通过预测未来状态辅助长时序决策，但容易随预测时域增长产生误差累积。复杂的真实任务同时要求语义理解、几何规划、闭环控制、长时序推理和环境变化推测，这些能力对应的训练目标不同，有时甚至相互冲突。从各项能力分别取得突破，到单一模型在开放环境里长期稳定兼顾所有能力，横亘着一道至今没有被真正跨越的鸿沟。RoboHarness 的出发点正是：与其等待这道鸿沟被填平，不如先让已经存在、各有所长的模型真正协同起来。作者认为，直