HarnessPAI：不断发展的物理 AI Harness

物理人工智能旨在构建能够感知世界、理解和推理世界并决定如何行动的实体代理。然而，该领域主要关注最后一个组成部分：将观察结果映射到低级控制的行动模型。流行的训练方法可能会削弱鲁棒行为所需的感知和推理能力，甚至使强大的动作模型也容易受到场景扰动和长期任务的影响。我们介绍了 HarnessPAI，这是一种与模型和实施例无关的物理 AI 框架，它将代码视为组织底层动作原语的可执行且可演化的接口。该框架划分了两个时间尺度：在 rollout 中，它在程序级别上执行开环，由固定的程序引导和检查执行；在整个部署过程中，它会形成闭环，使用执行反馈来修改程序并将失败提炼为可重用的技能。在桌面机器人手臂、家用机器人、机器人真空吸尘器和腿式行走代理中，HarnessPAI 在不重新训练底层模型的情况下，在纯动作模型和代码即策略基线上都有所改进：在 LIBERO-PRO 上比 $\pi_{0.5}$ 提高了 61.6 点，在 RoboCasa 原子任务上比 WorldDreamer 提高了 27.2 点。一旦选择了一个项目，就无需进行在线高级大语言模型审议。除了执行之外，融合程序还是一个廉价且可靠的专家数据收集器，对收集的专家数据进行微调 $\pi_{0.5}$ 将 LIBERO-PRO 的成功率提高了 38.8 个点。我们的结果表明，物理人工智能的前沿不仅取决于更强大的行动模型，还取决于将感知、任务理解和推理以及行动执行集成到统一、可验证和反馈驱动的系统中的可执行工具。网站：此 https URL