CarryOn双环框架：让机器人真正懂你的个性化助手

当机器人听懂"给我做个三明治"之后

通用视觉-语言-动作（VLA）模型已经能让机器人在开放世界中完成各种操作任务。但现实中，我们需要的机器人助手远不止"能干活"这么简单。

想象一下：你对机器人说"给我做个三明治"。一个合格的助手需要记住你不吃生洋葱、偏好全麦面包、酱料要少放——这些偏好不是一次性的指令，而是需要跨对话、跨场景持续跟踪的个人化上下文。同时，机器人还得确保操作过程安全可靠，万一打翻了盘子也要能优雅地恢复，而不是傻站在那里等待救援。

这正是当前VLA模型的两大短板：个性化和可靠执行。来自学术界的CarryOn框架，试图用一套"双环"架构来补齐这两块拼图。

视觉-语言-动作（VLA）模型是一类将视觉感知、自然语言理解与机器人动作生成统一在一个神经网络中的基础模型。它与传统机器人系统的根本区别在于：传统系统通常将感知、规划、控制拆分为独立模块，由工程师手工设计接口；而VLA模型直接从"看到的画面+听到的指令"映射到"关节该往哪动"，端到端完成整个任务链。代表性工作如RT-2、OpenVLA等，通常在海量"图像-文本-动作"三元组数据上预训练，因而具备一定的开放世界泛化能力——比如理解"把那个红色的东西拿过来"这种从未在训练中精确出现过的指令。但其局限也很明显：模型一旦训练完成，行为模式即被冻结，难以针对特定用户的长期偏好进行个性化适配，也缺乏对危险的主动预判和对失败的自我恢复能力。

双环架构：规划与执行的分工协作

CarryOn的核心设计思路是在一个"冻结"的VLA策略之上，叠加两个协同工作的循环——规划环（planning loop）和执行环（execution loop）。之所以选择冻结底层VLA策略，是因为这样可以在不重新训练大模型的前提下，通过外挂模块灵活增强系统能力。

规划环：记住你是谁，你在哪

规划环负责维护两层持久上下文：用户级和场景级。

用户级上下文记录的是跨对话积累的个人偏好——比如饮食禁忌、操作习惯、对速度或精细度的要求。场景级上下文则跟踪当前物理环境的状态变化，比如厨房台面上有什么、冰箱里还剩什么食材。

关键在于，这些上下文不是静态存储的数据库条目。系统会持续用新的观察结果来"接地"（ground）已有认知，并通过交互不断修正。这意味着当用户说"还是用上次那个牌子"时，系统能从历史对话中找到对应信息，而不是一脸茫然。

这种设计让CarryOn能够在多个用户和多个场景之间派发符合偏好的子任务。比如同一个"准备早餐"的指令，对A用户可能拆解为"煎两个溏心蛋+黑咖啡"，对B用户则是"燕麦粥+果汁"。

**"接地"（grounding）**在AI与机器人领域指的是将抽象的符号、语言或记忆与具体的感知观察建立对应关系的过程。举例来说，"用户不喜欢生洋葱"是一条抽象的偏好记录，而"冰箱第二层有切好的紫洋葱"是一条具体的视觉观察，接地就是把前者与后者关联起来，让系统在实际操作时知道"现在要做的这道菜里不该放这批洋葱"。在CarryOn的规划环中，接地是持续进行的：每当机器人获得新的视觉输入或对话反馈，系统都会重新校准已有的用户级与场景级上下文，避免记忆因环境变化而过时。这类似于人类助手在每次进入厨房时都会扫一眼台面，更新"食材还剩什么"的心智模型，而不是机械地按上周的购物清单执行。

执行环：安全兜底与优雅恢复

执行环的职责更偏向"守门人"角色。它主动监督VLA策略的动作输出，对预测到有危险接触的动作进行屏蔽。

这里的安全机制不是简单的碰撞检测，而是基于预测的主动防护。系统会在动作执行前评估潜在风险，提前拦截可能导致事故的操作。

当执行确实失败时——比如抓取滑脱、物体倾倒——系统会调用可复用的基于控制的恢复技能。这些技能不是临时拼凑的，而是经过对过往失败案例的反思后精炼出来的，可以在后续类似场景中重复使用。

基于控制的恢复技能与端到端神经网络策略的区别在于：后者是"从感知直接生成动作"的黑箱映射，前者则是对特定物理交互（如重新抓取、扶正物体、退回安全位姿）手工设计或通过最优控制方法求解的确定性策略。这类技能的优势是可解释、可复用、参数化程度高——例如一个"滑脱后重新抓取"的技能可以接受目标物体的位姿作为输入，在不同场景中反复调用。CarryOn之所以强调"经过对过往失败案例的反思后精炼"，是因为每次任务失败都会记录失败模式（如抓取点偏移、摩擦不足），系统据此调整恢复技能的选择逻辑和参数，使得下次面对类似失败时能更快调用正确的恢复动作。这种"失败驱动精炼"的机制，本质上是将强化学习中的经验回放思想用在了技能库的迭代上。

数据说话：安全违规率从52.6%降至6.1%

CarryOn在真实机器人和仿真环境中都进行了验证，几个关键数据值得关注：

• 安全违规率：即使底层VLA已经做过安全微调，违规率仍高达52.6%。叠加CarryOn的执行环后，这一数字降至6.1%——降低了近九成。
• 恢复成功率：当复用经过精炼的恢复技能时，任务恢复成功率从13%跃升至80%。

这两个数字说明了一个重要问题：单纯依赖VLA模型自身的安全微调远远不够，外部的主动监督和结构化恢复机制同样关键。

这套框架意味着什么

CarryOn的价值不在于提出了某个全新的VLA模型，而在于展示了一种务实的工程路径：用架构设计弥补基础模型的不足。

对于机器人助手走向实际部署而言，个性化让用户愿意用，可靠执行让用户敢用。CarryOn的双环设计同时瞄准了这两个维度，并且通过冻结底层策略保持了方案的通用性和可迁移性。

当然，这套框架也有其边界。规划环的上下文维护依赖高质量的交互历史，执行环的恢复技能库需要预先积累。如何降低这些依赖、让系统在更开放的环境中自主成长，是值得继续探索的方向。