long-horizon-manipulation

论文提出 SERA（Self-Evolving Robotic Agent），通过可编辑的 harness 维护任务上下文并利用执行反馈自我进化规划，配合固定的 VLA 执行器来改进长时程机器人操作任务，在 RoboMME 上取得 51.38% 的成功率。

RoboCasa-Shift 提出一个基于 RoboCasa365 的阶段感知鲁棒性基准，通过配对 rollout 与受控扰动评估视觉-语言-动作（VLA）策略在长程家务操作任务中的表现，发现失败模式随扰动因子和任务而异，并非均匀退化，主张鲁棒性应作为执行的多维属性而非单一端到端指标衡量。

提出了Orchestra，一种将任务规划与执行管理同动作生成分离的机器人智能体框架，用于执行多步多模态指令的长时程操作，并发布了基准RMBench-Compose。Orchestra在多个基准和真实世界多步任务上显著超越Mem-0和HarnessVLA等基线。

SimpleMemVLA introduces a simple memory mechanism for Vision-Language-Action models by feeding intact timestamped video history into a pretrained VLM backbone, achieving state-of-the-art results on long-horizon manipulation tasks without dedicated memory modules.

EventVLA introduces a sparse visual evidence memory framework for long-horizon robotic manipulation, achieving an average success rate improvement of +40% over state-of-the-art memory-augmented VLAs.