透過物理代理解決通用機器人中的編排鴻溝

在通用機器人領域，現有的主流方法試圖透過大規模預訓練將所有能力整合到學習策略中。然而，來自arXiv的新研究提出了一種不同的思路，將機器人的能力分解為兩個獨立的元件：一個通用的語言條件策略/控制代理，以及一個高層代理管理器/編排器。研究者開發了名為Pigey的物理代理編排器，這是一個閉環系統，能夠進行高層規劃、將目標分解為可實現的子目標、傳送底層電機命令、追蹤和驗證底層觀測結果，並在失敗時進行恢復。Pigey可以控制現有的視覺-語言-動作（VLA）策略以及引數化技能，無需額外的資料收集或後期訓練。

研究者在模擬基準和真實世界機器人操作任務上對Pigey進行了廣泛評估。在LIBERO-PRO基準測試中，Pigey在不進行任何任務特定微調的情況下，將最新技術的效能從12.8%提升至53.3%，提高了超過4倍。在真實機器人上，Pigey將凍結策略的效能從接近零提升至推理受限任務上的90%以上。研究者將凍結電機技能單獨執行與在代理迴圈中執行之間的這種差異稱為"編排鴻溝"。

這項研究由Liane Galanti等人於2026年7月23日提交至arXiv，屬於機器人學（cs.RO）領域。它強調了將高層推理與低層控制分離的重要性，為構建更通用、更可靠的機器人系統提供了新的方向。Pigey的成功表明，透過精心設計的編排機制，現有策略可以發揮出遠超其單獨使用的潛力。