论文“DYNAHARNESS: A DYNAMIC PHYSICAL HARNESS FOR SELF-EVOLVING ROBOT AGENTS”26年9月来自南洋理工和南京大学。一、动机用 VLA视觉-语言-动作模型比如 π0.5给机器人提供动作先验在长时程操作任务上仍然不够用。现有的智能体 harness在冻结策略外面加一层高层推理和工具调用有两个没解决的问题时间尺度不匹配。VLM 做语义推理很慢规划是粗粒度的。而接触、进度变化、中间状态的成功往往发生在两次规划决策之间。所以需要一个明确的执行权威在动作执行过程中实时管控当前命令。只靠执行完一步再重新规划不够。失败归因模糊。已有的自我改进方法程序修复、技能获取、扩充技能库等大多只拿到整个 episode 成功或失败这一个信号。但任务失败可能出在规划、grounding落地、能力执行、验证、恢复中的任何一层。没有定位就做不了针对性修改也没有机制判断一次修改能不能被接纳。二、主要创新物理执行契约Physical Execution Contract。解析技能、恢复技能和冻结的 VLA 都通过同一个契约下发命令契约有四个属性Grounded参数和前置条件必须能解析Bounded受步数预算budget、租约lease和 50 Hz 安全检查约束Verifiable以明确的状态结束Attributable全过程写入证据库。拒绝本身也会被记录下来这样诊断时能区分命令没能落地和能力执行失败两种情况。快慢脑协同执行。慢脑Qwen3-VL-4B按需调用只给出能力名 符号参数不给位姿。快脑确定性规则2 Hz握有执行权负责把命令落地、监控执行、拒绝无法执行的命令、替换能力、插入恢复、在必要时请求重新规划。底层控制器20 Hz。这比名义上的单步重规划多了失败响应、能力替换和恢复插入。归因驱动的自我演化。用执行记录把失败定位到 N 个有序诊断层之一据此对可复用能力或执行机制做针对性修订再用成对回归检验paired gate决定是否接纳。如图 2 所示DynaHarness概述三、方法要点慢脑输入指令、场景描述、当前观测、带时间戳的历史。输出结构化建议 z_j(m_j, alpha_j)其中 m_j 是能力库 L 里的一项能力alpha_j 是符号参数。快脑落地/过滤。部分映射 gamma_k G(z_j,c_j) in Gamma U {}其中 gamma (m, theta, B, tau) 分别是能力、物理参数、步数预算、租约。解析不了时返回 ⊥并附带拒绝原因。监控。读取进度、停滞和风险信号。完成判定是锁存的v_k v_{k-1} v V b_t用来保住只出现一瞬间的成功事件。例子关炉子任务里成功状态只持续约 0.55 秒。不锁存时成功率 25%锁存后 95%。决策。继续执行、恢复、换成其他合格能力、交给vla_act或者请求慢脑重新规划。能力库解析技能几何的、确定性的负责接近、下降、搬运、放置等。恢复技能重抓、重新放置、回到关键帧等。vla_act调用冻结的 π0.5。三类能力共享同一套预算、租约和终止规则。如果一个能力在剩余预算内做不完会在开始前就拒绝执行。失败归因公式lambda_iA_N(E_i)min{j: d_j(E_i)1}即按层序取第一个匹配的诊断层上游优先。实验配置为 N13 层覆盖基础设施、上下文、规划、grounding、下发、执行、验证、恢复。演化闭环归因 → 探测 → 修订 → 成对门控 → 入库探测在 harness 自己把机械臂带到的那个状态下复现故障而不是从重置后的场景开始。修订用物理量来表述如铰链半径、手掌跨度不按任务 ID 写分支。门控式 5四个条件总成功数不下降归因于 harness 的失败数不上升裸策略原本能做成的格子不退化零污染。此外还需要更大范围的回归检验。没通过的修订直接回滚不打补丁。关键结果LIBERO-Pro 开发集74.25%。同样配置下冻结 π0.5 为 16.2%PhyAgentOS 为 20.3%。系统冻结后新采样 800 个初始状态75.2%π0.5 为 17.5%。四个快照的排名保持不变。同一能力库下的执行方式对比完整动态执行 74.0%名义单步重规划 63.9%冻结序列 63.8%。去掉 7 个解析接触技能后掉到 16.6%。真机 4 个任务成功率 70–90%。四、存在的问题自我演化的自动化程度有限。论文局限部分承认自动化的只有归因和成对接纳这两步故障探测和针对性修订比如抽屉把手的 15.4 mm 闭合限位、手腕斜坡调整看起来主要靠人工完成。self-evolving这个说法有夸大之嫌。性能主要来自手工解析技能。去掉 7 个解析接触技能后成功率接近裸策略16.6% 对 16.2%。770 个成功控制 episode 里有 570 个根本没调用 VLA。这本质上是一个精心工程化的技能库VLA 和 VLM 的作用都比较次要。仿真里的 grounding 用的是特权信息。LIBERO 中的几何输入直接取自仿真器状态完成判定直接用基准的成功谓词现实中都拿不到。真机需要另外设计完成判定接口和场景描述而真机实验只有 4 个任务、每个 10 次也没有基线对比。泛化评估的范围窄。新状态只是同样 40 个任务格子里的新初始状态没有测新任务族或新领域。开发过程是在 LIBERO-Pro 上反复迭代39 轮以上存在对基准过拟合的风险。不演化的初始 harness 甚至比裸策略还差13.9% 对 17.1%。5. 成对门控本身不够。有一个通过了门控的候选修订在 5 个灶台格子上损失了 79 次成功。这说明局部门控挡不住跨任务的副作用必须做全量回归代价很高。6. 归因是启发式的。按固定层序取第一个匹配得到的只是诊断假设不是因果结论。N13 是手工设定的没有做敏感性分析。7. 基线比较的公平性存疑。Harness VLA 和 Zetta 换成 Qwen3-VL-4B 后只有 6.0% 和 0.0%可能没有为小模型调优。和已发表结果的对比设置也不一致。8. 仍有明显短板。抽屉、炉子、微波炉相关失败占了大头207 个失败里分别有 97、43、30 个。7 个格子仍然是 0 成功。能检测出无效执行失败 episode 在最后一次进展之后平均还空耗 173 步但用替代动作去接管并没有显著收益p0.24。9. 其他。LIBERO-Plus 每个任务只跑了 1 次也没有冻结策略的对照。学习型快脑只是探索性的。换成 Claude Sonnet 作慢脑的试验只有 40 个 episode延迟约为 Qwen 的 5.9 倍token 用量约为 20.9 倍。DynaHarness 的核心贡献是用一个统一的执行契约把执行时的物理管控和离线可追溯的能力修订连了起来。工程上很扎实但成绩主要来自人工打磨的解析技能库和仿真特权信息自我演化和泛化能力的说法需要谨慎看待。