DynaHarness、動的物理ハーネスで自己進化するロボットエージェントを提案

意味推論と物理実行をどのように統治し、実行証拠を再利用可能な能力の検証済み改訂に変換するか。

長い時間軸の操作では意味推論が物理相互作用より粗い時間スケールで動き、エピソード単位の失敗だけでは計画、接地、能力実行、検証、回復のどの構成要素を修正すべきか特定できない。既存システムは粗い計画決定の間に接触や中間成功が生じ、実行中のコマンドを明示的に統治する権限が不足していた。

実行オーケストレーション系の EmbodiedSkills、PhyAgentOS、Harness VLA などは高層エージェントがタスクを分解し解析ツールや学習済み方策を選択するが、計画決定の間の接触や進捗を扱えない。自己改善系の Zetta、ASPIRE、InSight などは失敗からプログラム修復やスキル獲得を行うが、失敗がどの層に由来するかを局所化せず、修正の採否基準も回帰検証として確立されていない。

高速と低速の実行を分け、Qwen3-VL-4B のスロー脳が能力と記号的引数を提案し、2 Hz のファスト脳が接地、監視、拒否、能力置換、再計画要求を行う。20 Hz 制御器が実行し、物理実行契約が全コマンドを予算とリースで拘束し、解析スキル、回復スキル、凍結 VLA の実行証拠を記録する。オフラインで失敗帰属が N 層の診断ラベルを割り当て、再利用可能能力や実行機構の変更をペア回帰チェックで採否する。

LIBERO-Pro の開発ブロックで DynaHarness は 74.25% を達成し、同じ凍結 π0.5 と Qwen3-VL-4B を使う PhyAgentOS の 20.3%、Harness VLA の 6.0%、凍結方策の 16.2% を上回った。凍結後に同じセルの新規初期状態 800 件で 75.2% となり、凍結方策は 17.5% だった。4 つの凍結スナップショットは新規状態でランキングを維持し、開発中の 14.3 ポイントの向上が新規状態で 14.4 ポイントに転移した。能力ライブラリを同じにしたアブレーションでは、動的実行が 74.0%、一段階再計画が 63.9%、固定シーケンスが 63.8% であり、7 つの解析接触スキルを除くと 16.6% に低下した。実機では 10 試行ずつで円形ピックアンドプレース 90%、カップ積み 80%、パン把持 70%、引き出し収納 70% だった。標準 LIBERO では 98.05% に対し方策参照は 98.0% だった。

著者は最終 1.0 ポイントの増分が不確実（p=0.0768）と述べ、候補修正はペアゲートを通過しても全ラウンドで広範な回帰を損ね得ると報告した。実機評価は 4 タスク各 10 試行で単一構成に限られ、LIBERO-Pro の新規状態は同じ 40 タスク摂動セルから再サンプリングされており、未学習環境への一般化は示されていない。コードやデータの公開状況は論文では報告されていない。