机械臂抓取差几毫米，Auriga把规划与执行之间的差距补回68.3%
核心概要
视觉语言模型能读懂任务却常抓不稳物体：在RoboDojo上，同一模型去掉机械臂执行后成功率从22.5%升到76.2%，说明瓶颈在物理执行。Auriga把模型决策与机器人执行分开，由模型维护显式任务信念，所有动作经统一准入网关先预览轨迹、执行中校验阶段容差并在偏差时停机回报。冻结后的Auriga在42项任务上取得57.7%成功率、64.0分，排名第一，并在RoboCasa365上达到73.2%。
深度剖析
Auriga把视觉语言模型在机器人操作上的失败主要归到物理执行环节，而不是任务判断环节，并让一个不针对具体任务的执行外壳承担测量、校验与停机。 同一模型在RoboDojo的210个诊断回合中，若允许它直接沿自选路径移动物体而不驱动机械臂，成功率为76.2%；通过基准自带的参考末端执行器接口驱动机械臂时只有22.5%。 在覆盖42项任务、每项5个回合的诊断集上，Auriga把这一差距补回68.3%，成功率59.2%，同一批回合中参考接口为22.5%。
外壳不替模型做任务决定，模型在每个回合内维护一份可修改的任务信念，记录当前计划、待解疑问和若干任务前提的状态。 此前的分步或分块动作接口只按最新画面发出一步动作，模型在动作提交前看不到整条路线；把动作写成程序则把判断交给看不见场景的脚本，程序正常退出并不代表接触成功。 Auriga让模型一次描述完整的多阶段双臂动作序列，由外壳编译成轨迹预览，在仿真暂停时展示路径、各段耗时和间隙警告，模型审阅后才执行。
每次物理动作都经过同一个准入网关，执行中按模型为各阶段设定的到达容差和夹爪开合检查，偏差超出容差就停机并回报实测偏差。 参考接口下机械臂常差几毫米错过抓取、在搬运中掉落物体或撞上容器边缘，而分步接口要等下一帧才能发现，此时机械臂已经移动。 停机回执列出已完成阶段、实测偏差、未执行阶段和新的相机视图，模型据此从当前物理状态就地恢复，而不是重置场景重来。
冻结后的外壳在RoboDojo官方排行榜上以64.0分、57.7%成功率位列总榜第一，并在场景随机化下保持第一。 同一模型配参考外壳时为29.0分、22.5%成功率；在12项泛化任务上，Auriga标准场景成功率52.28%、随机场景45.61%，而学习型策略在随机化下成功率最多下降33.9个百分点。 评测覆盖42项任务、三个随机种子共6300个回合，外壳在评测期间冻结，不做目标任务探索、不使用示范、不重置；在RoboCasa365的50项Target50任务、250个回合上，同一冻结外壳达到73.2%总体成功率。
启示与展望
已展示的范围是两个仿真基准上的零样本单回合评测：RoboDojo的双腕桌面操作42项任务与RoboCasa365的50项Target50移动操作任务，外壳在评测期间冻结，不使用目标任务探索、示范或重置。
作者把失败归因于运动学轨迹执行的边界：阶段校验和信念更新能可靠发现偏差，但会扰动多体耦合结构的恢复动作可能耗尽回合预算，例如叠碗任务在800步上限处失败、HeatKebabSandwich在100次模型请求上限处失败；作者提出的后续方向是连续力敏感操作、降低推理延迟和自动跨任务工具合成。