arXiv機器人專業

DynaHarness：具備自我演化能力的機器人代理動態實體約束框架

DynaHarness: A Dynamic Physical Harness for Self-Evolving Robot Agents

2026/10/012 分鐘閱讀

30 秒看懂

本研究針對機器人在長序列操作中「高階語義推理」與「低階物理執行」時間尺度不一致，以及失敗難以歸因的問題，提出 DynaHarness 控制框架。它建立「慢速大腦」與「快速大腦」的雙層機制，並以「物理執行合約」記錄與約束每次動作。當任務失敗時，系統能精確定位故障並修正技能庫。實驗顯示，在 LIBERO-Pro 測試中，DynaHarness 實現了 75.2% 的成功率，遠超凍結策略的 17.5%。

核心重點

慢速與快速大腦協作

慢速大腦負責高階語義推理與規劃，快速大腦在低延遲下監控並落實指令，確保動作與實體環境契合。

物理執行合約機制

合約規範並約束每次執行的動作邊界，整合分析型技能、復原技能與凍結的 VLA 模型，完整記錄執行軌跡。

精準失敗歸因與演化

當任務失敗時，系統能定位至特定執行記錄，進行針對性的能力修正，並透過成對迴歸檢查確保自我演化安全。

顯著提升任務成功率

在 LIBERO-Pro 基準測試中取得 75.2% 的成功率，大幅超越凍結策略的 17.5%，證明了動態控制框架的優勢。

技術圖解

DynaHarness 自我演化控制架構

為什麼重要

傳統機器人系統在面對長序列任務失敗時，往往難以釐清是高層規劃還是底層執行的問題。DynaHarness 透過精確的失敗歸因與自我演化迴路，讓機器人能從錯誤中學習並自動升級其技能庫，這為開發具備自我進化能力、高度適應性的具身智慧（Embodied AI）系統提供了一條可行路徑。

對誰有影響

AI 開發者
AI 研究人員
產品經理

可以怎麼使用

1長序列機器人操控任務，例如複雜的家庭或工業組裝作業。
2能自適應環境變化、透過失敗反饋自主更新控制策略的演化型機器人系統。

限制與注意事項

依賴凍結的 VLA（視覺-語言-動作）模型作為基礎動作先驗，其上限可能受限於基礎模型的能力。
需要初始的能力庫與定義好的合約框架，對於完全未知的物理交互場景可能仍需手動調整。