摘要
近年来，视觉语言模型（VLM）和视觉语言代理（VLA）系统在机器人感知和动作预测方面取得了显著进展。然而，长时间的具身代理仍需一个通用的运行时层来支持推理、记忆、工具使用、验证和跨具身执行。我们提出了 ABot-AgentOS，这是一种通用的机器人代理操作系统，位于低级控制器之上，提供了一个深思熟虑的代理层，用于场景条件下的规划、上下文隔离的技能执行、多阶段验证、多模态记忆和边缘云协作。
关键特性
为评估这些系统，我们引入了 EmbodiedWorldBench，这是一个可执行的基准测试，涵盖 16 个室内、室外和混合场景，分为四个难度级别，包含 200 多个任务，包括导航、物体搜索、NPC 对话、动态事件和基于轨迹的评分。
ABot-AgentOS 进一步引入了通用多模态图记忆，它是一个持久的源基础，能够将对话、视觉观察、空间上下文、时间关系和任务轨迹转换为类型化的节点和边。通过故障驱动的自我演化循环，将诊断出的记忆故障转化为门控运行时演化资产，这些资产仅在后续评估分支中提升，从而防止当前分支的真实数据泄露，同时实现持续改进。
在初步的 EmbodiedWorldBench 子集上，ABot-AgentOS 在任务成功率和目标完成度上均优于单控制器基线。在记忆基准测试中，ABot-AgentOS Static 在 LoCoMo 上获得 87.5 分，在 OpenEQA EM-EQA 上获得 59.9 分，在 Mem-Gallery 上获得 88.6 分，在 NExT-QA 上的 Acc@All 达到 76.5；自我演化进一步将 LoCoMo 提升至 88.7，OpenEQA 提升至 60.4，Mem-Gallery 提升至 89.0。这些结果表明，一个通用的代理操作系统层可以改善长时间的具身执行，同时提供持久的、可审计的记忆以支持持续交互。
博主点评： ABot-AgentOS 的设计思路为机器人系统的未来发展提供了新的视角，尤其是在长期交互和多模态记忆方面的创新。通过自我演化机制，系统能够持续优化自身的性能，这将极大提升机器人的智能和适应能力。与传统的单一控制器方法相比，这种分层架构无疑是一个重要的进步。