面向 Embodied AI 的高效协调：基于系统级共享状态的模块化框架
机器人学
2026-01-21 v1 机器学习
摘要
随着 Embodied AI 系统从研究原型向实际部署迈进，它们在保持可靠性以应对工作负载变化和部分故障的同时，倾向于快速演化。在实际部署中，许多系统仅部分解耦：中间件负责消息传递，但共享上下文和反馈语义仍隐含，导致接口漂移、跨模块干扰以及大规模下的脆弱恢复。我们提出 ANCHOR，一个模块化框架，将解耦与鲁棒性明确化为系统级原语。ANCHOR 将 (i) 规范化的共享状态——可演化的规范记录 (Canonical Records) 与 (ii) 用于多对多 dissem ination 与反馈导向协调的通信总线分离，形成可检查的端到端闭环。我们在脱敏的工作流实例上验证了闭环可行性，衡量了不同负载大小和发布速率下的延迟分布，并演示了即使在共享内存丢失的情况下，亦能在硬崩溃和重启后实现自动流恢复。总体而言，ANCHOR 将 ad-hoc 集成胶水转化为显式契约，使系统在负载下能够进行受控降级，并实现可自愈的恢复，从而支撑大规模闭环 AI 系统的部署。
引用
@article{arxiv.2601.13945,
title = {Efficient Coordination with the System-Level Shared State: An Embodied-AI Native Modular Framework},
author = {Yixuan Deng and Tongrun Wu and Donghao Wu and Zeyu Wei and Jiayuan Wang and Zhenglong Sun and Yuqing Tang and Xiaoqiang Ji},
journal= {arXiv preprint arXiv:2601.13945},
year = {2026}
}