《论文页面 – 具身技能：用于编排、训练和部署VLA代理的统一框架》

Paper page - EmbodiedSkills: A Unified Framework for Orchestrating, Training, and Deploying VLA Agents

EmbodiedSkills 是一个统一框架，用于编排、训练和部署视觉语言动作（VLA）智能体。该框架通过共享的可执行技能接口和包含观察、规划、预检、执行、验证及恢复六个阶段的循环，管理任务在多动作块间的推进。规划器将指令分解为语义子任务，VLA 基于当前子任务执行动作；系统在执行前检查就绪状态，执行后利用新观测进行进度验证，并根据完成情况调整后续动作或触发重规划。该框架同时连接训练与执行：与子任务对齐的演示用于训练底层动作策略，结构化交互轨迹提供高层技能选择监督。论文实例化展示了 Qwen3-VL 和 π₀.₅，在 50 个 RoboTwin 2.0 任务和四个 LIBERO 套件中，任务适配的低层策略平均成功率分别达到 86.20% 和 97.40%。