Know When to Escalate: Critic-Guided Adaptive Execution for Cloud-Local Embodied Agents
作者: Wei Zhang, Lirong Xiang, Charles Fleming
分类: cs.RO, cs.DC
发布日期: 2026-10-22
💡 一句话要点
提出CARE框架以解决云端与本地执行的决策延迟问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 具身智能 动态控制 云计算 本地执行 评论员模型 任务成功率 决策延迟 自适应执行
📋 核心要点
- 现有的云端代理在执行任务时存在延迟，而本地模型虽然响应迅速，但容易出错，导致决策效率低下。
- CARE框架通过引入轻量级评论员模型，动态监控执行过程并在必要时将控制权从本地模型转移到云模型，从而提高决策的可靠性。
- 在多项具身基准测试中，CARE显著提高了任务成功率，并减少了决策延迟，表现优于现有的协作基线。
📝 摘要（中文）
近年来，基础模型代理的进步使得具身系统在长时间规划和交互中变得越来越强大。然而，具身代理需要快速的闭环决策，以便在不断变化的环境中持续感知和行动。强大的云端代理在连续动作之间会造成平台闲置数秒，而轻量级的本地模型响应迅速但更容易出错。现有的层次架构通常为模型分配固定角色，而传统的模型路由器则做出无状态的请求决策。本文提出了CARE，一个基于评论员指导的自适应执行框架，动态决定何时将控制权从本地执行器提升到更强的云模型。轻量级评论员模型监控执行可靠性，并在本地执行变得不可靠时触发升级；一旦升级，控制将持续，直到代理恢复，避免逐步切换。通过多种具身基准测试，CARE在任务成功率上提高了6.3-18.3个百分点，同时将行动间的中位延迟时间减少了28.8-82.6%。
🔬 方法详解
问题定义：本文旨在解决具身代理在执行任务时面临的决策延迟和可靠性问题。现有方法在云端和本地执行之间缺乏灵活性，导致效率低下和错误率高。
核心思路：CARE框架的核心思想是通过轻量级评论员模型实时监控执行过程，动态决定何时将控制权提升到更强的云模型，以确保执行的可靠性和效率。
技术框架：CARE的整体架构包括三个主要模块：轻量级评论员模型、执行器和共享交接内存。评论员模型负责监控执行的可靠性，执行器负责具体任务的执行，而共享交接内存则维护执行上下文和任务进度，支持控制权的平滑转移。
关键创新：CARE的主要创新在于其动态控制权转移机制，避免了传统方法中固定角色和无状态决策的局限，使得执行过程更加灵活和高效。
关键设计：在设计上，CARE采用了轻量级的评论员模型，设置了可靠性阈值以触发控制权的提升，并通过共享内存保持任务的上下文信息，确保在切换控制权时不需要从头开始。
🖼️ 关键图片
📊 实验亮点
在多项具身基准测试中，CARE框架的任务成功率提高了6.3-18.3个百分点，接近或超过了仅使用云模型的成功率，同时将中位时间间隔延迟减少了28.8-82.6%，显示出其在执行效率和可靠性上的显著提升。
🎯 应用场景
CARE框架具有广泛的应用潜力，尤其适用于需要实时决策的具身智能系统，如自动驾驶、机器人操作和智能家居等领域。其动态控制权转移的能力可以显著提高这些系统在复杂环境中的适应性和效率，推动智能代理的进一步发展。
📄 摘要（原文）
Recent advances in foundation-model agents have enabled increasingly capable embodied systems for long-horizon planning and interaction. However, embodied agents require fast, closed-loop decisions as they continuously perceive and act on a changing environment. Deploying strong cloud agents leaves the platform idle for seconds between consecutive actions, while lightweight local models respond quickly but are more vulnerable to errors. Existing hierarchical architectures typically assign models fixed roles, whereas conventional model routers make stateless per-request decisions. We present CARE, a critic-guided adaptive execution framework that dynamically determines when to escalate control from a local executor to a stronger cloud model. A lightweight critic model monitors execution reliability and triggers escalation when local execution becomes unreliable; once escalated, control persists until the agent recovers, avoiding step-wise switching. To support such control transfer, a shared handoff memory maintains execution context and task-level progress across executors, enabling the model to intervene without restarting from scratch. Across diverse embodied benchmarks, CARE improves task success by 6.3-18.3 percentage points over the strongest evaluated collaboration baseline. CARE further approaches or exceeds Cloud-only success while reducing median time-between-action latency by 28.8-82.6%.