EmbodiedSkills: A Unified Framework for Orchestrating, Training, and Deploying VLA Agents

论文解决了什么问题

现有 VLA 策略擅长从视觉和语言直接预测动作，但在长程任务中难以判断失败究竟来自目标定位、子目标选择、底层执行还是进度验证。基于 LLM 的机器人 agent 虽能显式推理，却无法保证提议的技能在当前物理状态可执行或结果可核验。论文要回答的是：如何把模型决策与物理执行用统一接口连接起来，使每次操作在执行前被校验、执行后被验证，并让失败可追踪。

核心方法

EmbodiedSkills 将 agent 组织为六个语义阶段，并通过共享的技能合约连接高层策略、低层 VLA 与运行时。高层提出结构化技能调用，运行时在执行前检查阶段兼容、输入完整、证据新鲜和状态转移合法性，执行后再用新观察核对子目标进展。所有决策、执行结果与错误都记录为统一轨迹，支持规划、执行、验证等组件独立训练或替换，而不改动主循环。

相比端到端 VLA 策略，EmbodiedSkills 把中间决策显式化为可校验技能；相比 LLM-based robotic agent，它不依赖 prompt 保证执行安全，而由运行时强制前置条件与状态转移。与 LingBot-VA 报告的 π0.5 参考 82.74% 相比，本文任务适配后的低层策略在 RoboTwin 2.0 达到 86.20%；与 OpenPI 官方 LIBERO 参考 96.85% 相比，本文达到 97.40%。

实验结论

• 在 50 个 RoboTwin 2.0 任务上，任务适配后的低层 VLA 策略平均成功率为 86.20%
• 在 LIBERO-Spatial、LIBERO-Object、LIBERO-Goal、LIBERO-Long 四个套件上，平均成功率为 97.40%
• 在 RMBench 的 4 个记忆依赖任务上，同一执行方式平均成功率为 12.5%
• RoboTwin 2.0 结果高于 LingBot-VA 报告的 π0.5 参考 82.74%
• LIBERO 结果高于 OpenPI 官方参考 96.85%

局限性与证据边界

适合谁阅读