告别通用具身模型崇拜：具身智能走向异构策略编排
当 VLA、WAM、RL、TAMP、MPC 等机器人控制策略在各自擅长的任务中大放异彩，如何刻画其能力边界，并在正确的时机为不同子任务匹配最合适的策略，正逐渐成为机器人完成复杂长时序任务的关键。
论文标题： RoboHarness: Memory-Driven Orchestration of Heterogeneous Robot Policies for Long-Horizon Planning
Project Page：https://robo-harness.com
arxiv link: https://arxiv.org/abs/2607.18060
具身智能正在经历模型能力竞赛：VLA 在 Scaling 的道路上一路狂奔，WAM 弥合未来预测和动作生成，RL 依靠 Reward Design 强化执行稳定性，TAMP 凭借严密的逻辑进行长序推理…
各个策略在擅长的任务上都有独特的优势，但真实世界往往 同时 要求 高度的语义理解、闭环控制、几何精度、长时序推理，远远超出了单一控制策略的能力边界。仰望 “通用具身模型”，只能长叹：“道阻且长”。
RoboHarness: 没有最强的模型，只有最合适的策略。
为什么需要异构策略编排？
与其苦苦等待未来一个通用模型包办一切，不如问问：协同调用现有的控制策略，我们能做什么？
纵观具身智能技术历史长河上闪耀的星辰，VLA 擅长视觉语义理解与开放词汇指令，RL 在特定分布内具有稳定闭环行为，TAMP 擅长逻辑与几何规划，WAM 则通过预测未来辅助决策… 我们不难发现，它们的能力并非是彼此替代，而是在某些方向高度互补。
既然单一策略难以覆盖复杂任务的全部需求，为什么不让异构策略协同工作，在不同阶段各展所长？
从模型竞争，走向异构策略编排
RoboHarness 主要解决两个异构策略协同的关键难题： (1) 如何选择最适合的策略？(2) 异构策略间如何交接？它将 VLA、RL、TAMP 等控制策略封装为可调用技能，由 coding agent 进行高层任务拆解及子任务路由，并在相邻异构策略状态分布不兼容（Out of Distribution）时生成桥接轨迹。系统无需底层策略共享结构、动作空间或训练数据，也无需联合训练，可无痛接入新的底层控制策略，包括 WAM、VLN 或 MPC 等。