REA将基础模型推理与快速机器人策略相结合
AI 总结
Pengfei Zhou与七位合作者向arXiv提交论文,提出路由式具身智能体运行时REA,用于协调整慎型基础模型层、具身路由器与快速反应策略。该设计使运行中的策略无需等待模型,并采用路由记忆、边界触发式判断门和共享预算升级机制。论文报告称,REA在覆盖60项任务的3,000次LIBERO-Pro测试中达到95.9%的成功率;与自身策略池中最佳单智能体基线相比,控制步数减少25%,控制时间减少17%。另一项包含100次测试的RoboTwin 2.0研究报告称,REA使用VLA策略时成功率为84%,使用VLA加代码时为86%,而MEDex基线为80%。论文还报告了BEHAVIOR-1K和真实Unitree G1人形机器人上的结果。
深度见解
论文将REA作为一种将高层基础模型推理与快速机器人控制结合起来的具体运行时,旨在解决两者异步协调困难、模型调用可能拖慢策略执行的问题。
Computer Science > Robotics
arXiv:2610.42053 (cs)
[Submitted on 30 Oct 2026]
Title:REA: A Routed Embodied Agent Runtime for Asynchronous Brain-Cerebellum Control
Authors:Pengfei Zhou, Yixing Ma, Zhengfeiyang Zhang, Haoyuan Chen, Zhenglin Wan, Hexin Wang, Wangbo Zhao, Yang You
View a PDF of the paper titled REA: A Routed Embodied Agent Runtime for Asynchronous Brain-Cerebellum Control, by Pengfei Zhou and 7 other authors