知识卡片：DynaHarness——面向自演化机器人智能体的动态物理 Harness

说明：来源材料明确标注“未能抓取正文”，以下主要依据 arXiv 元数据、给定英文标题与候选摘要整理；正文未核验，具体方法、实验设置与数字均待核实。

一句话结论

候选摘要称，DynaHarness 试图用“共享执行契约 + 快慢双脑 + 失败归因与回归检查”的动态物理 Harness，把机器人长程操作中的语义推理与物理执行协调起来，并让失败证据转化为经过验证的能力修订；正文未获取，结论待核实。

事件概述或研究问题

• 英文标题：DynaHarness: A Dynamic Physical Harness for Self-Evolving Robot Agents
• Track：academic
• 英文关键词 / Topic：foundation-model
• 研究问题（据候选摘要，待核实）：预训练机器人策略可提供有用的动作先验，但长程操作仍需语义推理与物理执行之间的协调。语义推理的时间尺度比物理交互更粗；episode 级失败难以指出应修订哪个系统组件。
• 因此论文提出 DynaHarness，一个动态物理 Harness，用于治理现有能力在執行过程中如何被 grounding、监控与协调，并形成自演化闭环。

方法/产品要点

据候选摘要，待核实：

• 共享执行契约（shared execution contract）：连接语义推理与物理治理。
• 慢脑 / 快脑分工：
  • 慢脑提出能力（capabilities）与符号参数；
  • 快脑对命令进行 grounding 与监控，拒绝未解决动作，替换能力，并在需要时请求重规划。
• 物理执行契约：限定每个被接受的命令，并跨解析技能、恢复技能和冻结 VLA 记录执行证据。
• 失败归因：在记录中定位故障，指导对可复用能力或执行机制进行针对性修订。
• 配对回归检查：决定接受或拒绝修订，闭合自演化循环。
• 项目页（来自候选摘要，待核实）：https://denghaoyuan123.github.io/Dynaharness_page/
• 论文正文、系统架构图、算法、基线设置与实现细节：待核实。

主要结果或产业意义

据候选摘要，待核实：

• 在 LIBERO-Pro 上，候选摘要称 DynaHarness 在 800 个新采样初始状态上达到 75.2%，对比冻结策略 17.5%。
• 相同能力库下，完整动态执行达到 74.0%，而 nominal one-step replanning 为 63.9%。
• 候选摘要据此认为，DynaHarness 的价值在于治理现有能力如何被 grounding、监控与协调，而非仅依赖策略本身。
• 产业意义（推断，待核实）：若结果成立，可为机器人 foundation model / 预训练策略提供一层“运行时治理与自演化”中间件，把失败诊断、能力替换和回归验证做成可复用机制。

为什么重要

• 对长程机器人操作，单纯扩大 VLA / 预训练策略未必解决“失败后改哪里”的问题；DynaHarness 把失败证据连接到能力修订，可能补足系统级自演化环节。
• 与既有卡片的关系：
  • 相较“程序性图”强调显式图结构和自我编辑，DynaHarness 的增量在于物理执行契约、快慢脑协调和失败归因到可复用能力 / 执行机制；两者都关注执行期自演化，但对象和机制待进一步对照核实。
  • 相较 SafeHarness 侧重障碍感知与安全约束，DynaHarness 更强调动态物理执行治理与能力修订闭环；安全 / 避碰指标是否覆盖待核实。
  • 相较 Physis-Lang 关注物理语言作为视频世界模型表示，DynaHarness 面向机器人执行层，与 foundation-model 主题相邻但层面不同。
• 增量信息：本条若成立，提供“动态物理 Harness”这一系统组件视角，即把语义规划、物理执行、失败归因和回归准入放在同一闭环中。

局限与不确定性

• 来源材料明确：未能抓取正文。本卡片仅基于已知元数据和候选摘要生成。
• 以下均待核实：
  • 论文作者、机构、发表日期、会议 / 预印本状态。
  • LIBERO-Pro 基准设置、任务数量、评价协议、随机种子、统计显著性。
  • 75.2%、17.5%、74.0%、63.9% 等数字是否来自正文、图表或附录。
  • 慢脑 / 快脑的具体模型、提示 / 接口、VLA 冻结范围、技能库规模。
  • 失败归因与配对回归检查的具体算法、计算成本和安全性保证。
  • 是否在真实机器人上验证，或仅在仿真中验证。
  • 与已有 Harness、智能体自演化工作的差异是否充分。
  • 项目页内容与代码 / 数据可用性。
• URL 为 arXiv:2609.40306v1，材料未提供正文，无法确认版本与正式元数据。

可用于图书/PPT/简报的角度

• 从“策略”到“执行治理”：机器人 foundation model 如何与运行时 Harness 分层。
• 快慢脑架构：粗粒度语义推理与细粒度物理执行如何通过执行契约握手。
• 失败不是终点：episode 级失败如何被归因到能力或执行机制，并用回归检查准入。
• 自演化智能体的安全门：能力替换、拒绝执行、重规划请求和配对回归检查。
• 与程序性图、SafeHarness、Physis-Lang 对照：执行期自演化的不同技术路线。
• 产业落点：机器人中间件、VLA 运行时、评测基准 LIBERO-Pro（待核实）。

原始材料

• 英文标题：DynaHarness: A Dynamic Physical Harness for Self-Evolving Robot Agents
• Track：academic
• Topic / 英文关键词：foundation-model
• arXiv URL：https://arxiv.org/abs/2609.40306v1
• 项目页（来自候选摘要，待核实）：https://denghaoyuan123.github.io/Dynaharness_page/
• 来源材料说明：未能抓取正文；请仅基于已知元数据生成，并明确标注待核实。
• 候选摘要：Pretrained robot policies provide useful action priors, but long-horizon manipulation still requires coordination between semantic reasoning and physical execution. Semantic reasoning operates at a coarser timescale than physical interaction, while episode-level failures provide limited guidance on which system component should be revised. We propose DynaHarness, a dynamic physical harness that couples semantic reasoning with physical governance through a shared execution contract and turns failure evidence into validated capability revisions. To be more specific, the slow brain proposes capabilities and symbolic arguments, while the fast brain grounds and monitors commands, refuses unresolved actions, substitutes capabilities, and requests replans when needed. The physical execution contract bounds each accepted command and records execution evidence across analytic skills, recovery skills, and the frozen VLA. Failure attribution localizes faults in these records and directs targeted revisions of reusable capabilities or execution mechanisms. Paired regression checks govern admission or rejection, closing the self-evolution loop. On LIBERO-Pro, DynaHarness achieves 75.2% on 800 newly sampled initial states, compared with 17.5% for the frozen policy. With the same capability library, full dynamic execution reaches 74.0% versus 63.9% under nominal one-step replanning. This demonstrates the value of DynaHarness as a dynamic physical harness that governs how existing capabilities are grounded, monitored, and coordinated during execution. Our project page is at https://denghaoyuan123.github.io/Dynaharness_page/.