它是什么，解决什么问题
本主题覆盖行为树、状态机、规划器、技能注册、抢占、恢复。它属于“软件架构与工程系统”，用于理解这一组能力、方法或产业对象的边界。
范围与比较维度
- 行为树
- 状态机
- 规划器
- 技能注册
- 抢占
- 恢复
需要持续回答
- 解释算法如何进入稳定运行的整机和机群，包括时序、接口、资源、故障、升级和可观测性。
当前知识边界
本页为范围入口，代表路线与证据尚待补充。
历史观察
按发布时点排列，反映本站已收录范围，不代表完整研究时间线。
- RoboDuo：通过代码为视觉-语言-动作模型实现尝试、检查与原子化恢复
对机器人本体与控制栈工程师，RoboDuo 是一条“不动现有策略权重”的补救路线：把“尝试—判定—恢复”写成一段程序，让长程任务在一次滑落后仍可由原子技能收尾，而不是整回合作废。代价是要额外训练一个只吃短技能的原子 VLA 和一个完成检查模型，且原子指令必须落在演示数据已有的技能段内，因此这套数据资产与演示绑定；能回收多少，取决于基础策略原本已经会多少——论文也明确指出，它无法恢复两个策略都不会的技能，收益上限受完成检查准确率约束。
- V2-STRep：以视觉语言模型为基础的结构化任务表示，从生成视频中获取可复用机器人技能
对机器人软件开发者，其参考价值是把必须保持的任务约束与可供规划调整的运动自由度分开表达，而不是要求机器人逐帧追随全部视频姿态。
- FlowVLA：学习流动感知的物理完成状态，用于机器人定量倾倒
对控制软件开发的启示是：可将“怎么动”与“倒够没有”分开建模，并把回正后仍会流出的液体计入停止条件；这是作者实验支持的设计思路，不是通用部署能力证明。
- 在关键处学习：面向局部接触密集操作的自主数据采集与离线强化学习
对操作软件开发的启示是保留抓取、搬运的规划流程，把数据采集与学习集中到精密接触段，并明确接触触发、完成判断等模块接口，而非必须端到端重训整个任务。
- SocialCoAct：为基于视觉语言模型的人形机器人提供并评测第一视角社交协同行为
对机器人本体软件开发者而言，这套做法把“话语—动作”的对应关系落到一组可枚举、可校验的原子动作上：模型只负责挑动作并指明它对应哪句话，关节轨迹由白名单映射生成，下半身固定在站立姿态，因此手势可以作为中间层接口来调试、替换和审计，而不必直接消费模型输出的关节量。基准侧的两点结论也可直接用于工程决策：扩展推理能提分但吞吐下降数十倍，加视觉帧在不同模型上未必更好——这两点决定了在线社交代理的延迟预算与模型选型。
- LifelongCrossNav：用于跨楼层多目标导航的持久三维语义记忆
作者的消融结果支持跨目标几何与语义记忆复用改善后续目标的导航效率；贡献在于将可查询记忆与跨层通行统一，而非证明通用导航能力。
- TaskAnchor：为长时程操作中的反应式VLA锚定任务状态
作者实验支持将历史证据与显式阶段条件结合，用于改善预训练VLA的历史依赖动作选择，而非另设规划循环。
- 具身图灵机：用于机器人递归自我改进的有状态代码
这项作者研究将策略改进落实为显式状态、可检查代码与离线验证的迭代，为机器人递归自我改进提供了一条软件化研究路线。
展开其余 6 条历史观察
- 长时程技能衔接处观测空间偏移的诊断与恢复
该研究支持在特定技能衔接故障中，先恢复阻塞场景、再继续执行，而非仅增加重试；证据用于支持故障诊断，不代表通用恢复能力。
- AeroEval：面向 AI 生成无人机任务的分阶段程序与执行验证
作者实验支持程序检查与执行证据的互补价值：前者排查结构、接口和意图错误，后者识别与轨迹及环境交互有关的行为违规。
- SAKI：面向长时程移动操作的人类视频技能组装与运动学模仿
作者的消融结果支持：在相同下游求解与反馈条件下，准备可适配的交互参考仍有助于连续任务完成，不能仅靠全身优化和反馈替代这一环节。
- STeP：以信号时序逻辑为视觉语言模型动作生成提供精确规范
该研究为“语言推理—执行—监测—重规划”提供了共享的显式规范接口，支持在所测操作任务中将任务完成与约束满足分开评估。
- Causeway：恢复VLA策略在指令切换中的任务可达性
该工作展示了通过推理时干预恢复既有任务能力可达性的路径，而非让VLA学会新任务。
- CARE：面向视觉—语言—动作策略的经验引导原子纠正执行
将“从哪些失败中学习”与“何时调用纠正动作”分开设计，为VLA失败恢复提供了可分别检验的数据与执行机制。