机器人Agent综述：四大方向一篇梳理

一句话判断

机器人Agent综述：四大方向一篇梳理

VLA和世界模型怎么接入执行？Agent如何采数据、改技能？记忆、监控和恢复又该放在哪里？

《Towards Agentic Robots》把分散研究整理为Model、Data、Environment、Harness四个功能域、17个可重叠类别。它不是发布一个新模型，而是提供从能力学习到系统运行的研究地图，帮助读者定位方向、查找方法，减少逐篇搜集的成本。

覆盖训练、感知、规划、控制与适应。

重点不只是预测动作，还包括根据新观测调整计划、选择可执行技能，以及失败后补观测、改计划还是更新策略。

这一部分帮助区分：需要提升的是模型能力，还是决策方式，避免遇到失败就默认重训。

覆盖采集、标注与精炼。

Agent可以根据覆盖不足或失败阶段安排补采；失败轨迹也不必整条丢弃，HELP、ARS会筛选其中有效片段。

这部分串起采什么、怎样标、留下哪一段，解释数据闭环如何围绕实际弱点展开。

⚠️ 研究地图，不是最优架构的统一验证
四个功能域不是四个必须独立部署的模块，同一工作可以跨多个类别。案例来自不同研究，不能把各自结果拼成一套已验证的完整系统。

Agentic也不自动意味着更高自治等级；规划、反馈和恢复并非新发明。

💡 串起热点，比孤立追论文更有价值
ChunkTrust关注何时重新获取反馈；RoboHarn-Evo关注如何核验结果、修订经验。放回这张地图，就能看到它们分别在补执行调度和经验复用的环节。

对工程师而言，这篇的收益是：先定位瓶颈属于哪一层，再沿对应方向找方法；评估组合方案时，把成功率、时间、计算和重试预算一起比较。