华为诺亚方舟实验室发布 RoboHarness：异构策略编排让机器人 Agent 协同作战
华为诺亚方舟实验室发布 RoboHarness 系统，旨在解决具身智能中 VLA、WAM、RL 和 TAMP 等异构模型无法协作的问题。该系统通过 Coding Agent 进行高层决策，利用 Understanding、Memory 和 Evolution Skills 辅助策略路由，并引入 Memory Bridge 模块实现不同策略间的状态平滑交接。实验表明，该架构能让机器人在零样本情况下完成长时序复杂任务，成功率显著提升，标志着具身智能从单一模型 Scaling 向分层编排与统一模型互补演进的趋势。
事件概述
华为诺亚方舟实验室近期发布了名为 RoboHarness 的系统，专门解决机器人领域中不同控制策略（如视觉-语言-动作模型 VLA、世界-动作模型 WAM、强化学习 RL 策略、任务与运动规划 TAMP）之间彼此割裂、无法协同的问题。该系统允许在完全不改变、不重训任何底层策略的前提下，通过一层组织系统将各有所长的“专才”模型整合为一个能执行长时序复杂任务的智能体。
核心信息与技术架构
1. 解决异构策略的协作难题
当前机器人任务往往需要多种能力组合（如视觉理解、几何规划、闭环控制），但现有模型各有局限：VLA 擅长泛化但长时序一致性差；RL 稳定但依赖训练分布；TAMP 擅长符号推理但难以应对开放场景；WAM 易产生误差累积。RoboHarness 的核心思路是：与其等待单一通用模型出现，先让现有异构模型协同工作。
2. 基于 Coding Agent 的策略调度
系统由一个 Coding Agent 负责高层决策，将任务拆解为子任务并分发给不同的 agentic skills。为解决 LLM 难以直接判断何时调用何种策略的问题，系统设计了三种辅助技能：
- Understanding Skills（理解技能）：将原始输入转化为量化信号（如图像嵌入相似度、物体位姿稳定性、光照质量等），作为策略路由的依据。
- Memory Skills（记忆技能）：检索历史执行经验，并通过 Memory Bridge 处理策略间状态分布的不匹配。
- Evolution Skills（进化技能）：利用在线反馈持续更新策略元数据和编排逻辑，使系统具备学习能力。
3. 关键模块：Memory Bridge（记忆桥接）
这是 RoboHarness 中最核心的模块，用于解决异构策略交接时的状态兼容性问题。其工作流程分为三步：
- 检索：根据当前观测和目标子任务，从多模态记忆库中找出相似的成功轨迹。
- 建模：实时拟合目标策略“习惯接手”的状态范围。
- 桥接：采样并评分候选状态，生成过渡轨迹，确保机器人以目标策略舒适的姿态启动。
4. 性能表现
消融实验显示，移除 Memory Bridge 后，完整任务成功率从 86.0% 骤降至 60.4%，证明其在维持长时序任务连贯性中的关键作用。仅使用语言模型拆解任务可提升成功率，而接入多个异构策略后，成功率进一步大幅提升。
值得关注：技术谱系的汇流
RoboHarness 的出现反映了具身智能领域两条技术路线的融合趋势：
- Scaling 路线：以 Stanford、Berkeley 及 Physical Intelligence 为代表，强调端到端学习和基础模型规模扩张。
- Agentic Hierarchy 路线：以 MIT、多伦多大学及 Gemini Robotics 为代表，重视分层架构、符号推理和技能组合。
目前，这两条路线正在形成互补。例如，Physical Intelligence 在 pi0.7 中增强了技能组合能力，NVIDIA 等团队也在推进具有分层特征的 Robot Agentic Systems。RoboHarness 通过编排现有策略产生的跨能力执行数据，未来可能反哺下一代通用机器人模型的训练，推动行业向更通用的智能迈进。