CarryOn
一种面向机器人VLA模型的增强框架，在冻结的底层VLA策略之上叠加规划环与执行环两个协同循环，分别负责持久个性化上下文维护与安全防护和失败恢复，无需重新训练即可提升机器人助手的个性化与可靠执行能力
时间轴 (近 90 天)
CarryOn框架采用双环架构，在冻结的VLA策略之上叠加规划环和执行环两个协同工作的循环。
CarryOn的规划环维护用户级和场景级两层持久上下文，分别记录跨对话的个人偏好和当前物理环境状态。
CarryOn的执行环主动监督VLA策略的动作输出，对预测到有危险接触的动作进行屏蔽，实现基于预测的主动防护。
CarryOn在实验中使安全违规率从52.6%降至6.1%。
CarryOn复用经过精炼的恢复技能时，任务恢复成功率从13%提升至80%。
CarryOn的执行环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。
CarryOn的恢复技能基于控制方法，可复用且参数化程度高，通过对过往失败案例的反思进行精炼。
CarryOn的规划环持续用新观察和交互反馈来更新用户级与场景级上下文，避免记忆过时。
CarryOn的框架边界在于规划环的上下文维护依赖高质量交互历史，执行环的恢复技能库需要预先积累。
全部知识事实 (9)
CarryOn框架采用双环架构，在冻结的VLA策略之上叠加规划环和执行环两个协同工作的循环。
50%待验证CarryOn的规划环维护用户级和场景级两层持久上下文，分别记录跨对话的个人偏好和当前物理环境状态。
50%待验证CarryOn的执行环主动监督VLA策略的动作输出，对预测到有危险接触的动作进行屏蔽，实现基于预测的主动防护。
50%待验证CarryOn在实验中使安全违规率从52.6%降至6.1%。
50%待验证CarryOn复用经过精炼的恢复技能时，任务恢复成功率从13%提升至80%。
50%待验证CarryOn的执行环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。
50%待验证CarryOn的恢复技能基于控制方法，可复用且参数化程度高，通过对过往失败案例的反思进行精炼。
50%待验证CarryOn的规划环持续用新观察和交互反馈来更新用户级与场景级上下文，避免记忆过时。
50%待验证CarryOn的框架边界在于规划环的上下文维护依赖高质量交互历史，执行环的恢复技能库需要预先积累。
50%