在通用机器人领域，现有的主流方法试图通过大规模预训练将所有能力整合到学习策略中。然而，来自arXiv的新研究提出了一种不同的思路，将机器人的能力分解为两个独立的组件：一个通用的语言条件策略/控制代理，以及一个高层代理管理器/编排器。研究者开发了名为Pigey的物理代理编排器，这是一个闭环系统，能够进行高层规划、将目标分解为可实现的子目标、发送底层电机命令、追踪和验证底层观测结果，并在失败时进行恢复。Pigey可以控制现有的视觉-语言-动作（VLA）策略以及参数化技能，无需额外的数据收集或后期训练。
研究者在仿真基准和真实世界机器人操作任务上对Pigey进行了广泛评估。在LIBERO-PRO基准测试中，Pigey在不进行任何任务特定微调的情况下，将最新技术的性能从12.8%提升至53.3%，提高了超过4倍。在真实机器人上，Pigey将冻结策略的性能从接近零提升至推理受限任务上的90%以上。研究者将冻结电机技能单独执行与在代理循环中执行之间的这种差异称为"编排鸿沟"。
这项研究由Liane Galanti等人于2026年7月23日提交至arXiv，属于机器人学（cs.RO）领域。它强调了将高层推理与低层控制分离的重要性，为构建更通用、更可靠的机器人系统提供了新的方向。Pigey的成功表明，通过精心设计的编排机制，现有策略可以发挥出远超其单独使用的潜力。