相关工作
近期系统只处理了持续运行双臂场景的一部分需求。ARMS 从相关维度对这些系统进行了对比。
ARMS
ARMS 是一种专为持续运行的双臂场景设计的简洁策略。它没有为每种新需求构建专用机制，而是保留一个单一的预训练骨干网络，并将其余一切转化为上下文：三个轻量模块分别将一种信号——实时感知、具身状态和过往动作——转换为令牌，供骨干网络在行动前读取。
真实机器人部署与定性结果
ARMS 在组合流、真实机器人和长时域任务中，同时维持主动并发、自身历史召回和优先级仲裁；而单要素策略无法做到这一点。每个模块都不可或缺。
在一台 80 GB 加速器上，异步模块在双臂执行期间将触发到决策的中位延迟保持在 200 ms 以下。
结论与局限性
局限性
真实机器人证据规模较小，且基于单一 Cobot Magic 平台，仅包含约 200 个经过设置的持续运行流。大规模证据仍然有限，尤其是针对主要在 family D 中测试的完整过载场景。
常驻守卫机制是预先定义的，默认过载策略使用固定的、由数据集定义的优先级层级。更广泛的现实世界数据、学习得到的守卫机制和优先级，以及更丰富的过载策略，是自然的后续方向。
常见问题
ARMS 是为哪类任务设计的？
ARMS 是为持续运行的双臂机器人操作而设计的。
ARMS 模块将哪些信号转换为令牌？
这些模块将实时感知、具身状态和过往动作转换为供预训练骨干网络使用的令牌。
ARMS 结合了哪些能力？
ARMS 结合了主动并发、自身历史召回和优先级仲裁。
报告的触发到决策延迟是多少？
在一台 80 GB 加速器上，双臂执行期间，触发到决策的中位延迟保持在 200 ms 以下。