HiBerNAC：面向复杂操作的层次化脑类机器人神经代理集合

最近的多模态视觉语言动作（VLA）模型进展推动了传统机器人学习的变革，使系统能够在统一框架中解释视觉、语言和动作，以实现复杂任务规划。然而，掌握复杂操作任务仍是开放挑战，其受限于持久性上下文记忆、不确定性下的多代理协调以及可变序列下的动态长期计划。为此，我们提出HiBerNAC，即Hierarchical Brain-emulated Robotic Neural Agent Collective（层次化脑类机器人神经代理集合），受神经科学突破（尤其是神经电路机制和层次决策）启发。我们的框架融合了：（1）多模态VLA规划与推理，（2）神经启发的反思与多代理机制，专为复杂机器人操作任务设计。通过运用具备神经启发功能模块的去中心化多代理协作， Our approach enables robust and enhanced real-time execution of complex manipulation tasks.此外，该代理系统通过动态代理专业化实现可扩展的集体智能，能够根据任务时程和复杂度调整协调策略。在针对复杂操作任务的大量实验中与最先进的VLA模型进行比较，我们展示了HiBerNAC将平均长期任务完成时间缩短23%，并在多路径任务中实现12%~31%的非零成功率，而先前的最先进VLA模型在此类任务上始终失败。这些结果为连接生物认知与机器人学习机制提供了指示性证据。