【DL輪読会】Code as Policies and LLM Agents for Physical AI

DEEP LEARNING JP [DL Papers] Code as Policies and LLM Agents for Physical AI Yusei Koen, Matsuo Lab, M1 http://deeplearning.jp/ 1

• http://deeplearning.jp/

Code as Policies とは ロボットの方策を、ニューラルネットではなく「LLM が書くコード」で表す 考え方 指示:「ブロックを空いたお皿に積んで」 • 方策 = ニューラルネットではなくコード • LLM が知覚・制御の API を組み合わせて書く LLM 強み 方策コード blocks = detect_objects("blocks") bowl = find_empty("bowls") for b in blocks: pick_place(b, bowl) 書いたら終わり(結果を見て直さない) 知覚 API 制御 API • 言語理解で、初めて見る指示にも汎化(学習不要) • 条件分岐・ループなどを明示的に書ける 弱み ロボットが実行 • 観測に合わせた細かい動作が苦手(API の範囲まで) • LLMをロールアウト中にも呼び出す場合には、 推論の待ち時間が発生する 2

代表的な研究：Code as Policies /Cap-X 単なるコード生成から、エージェントのハーネス最適化へシフトしている Code as Policies(Liang et al., 2022) 論文 Fig. 1:指示からコードを書き、API を呼んで実行 CaP-X(Fu et al., ICML 2026) 論文 Fig. 7:CaP-Agent0(実行結果・画像の変化を見て書き直す) • CaP を12のLLMモデルで評価 • 階層的コード生成:未定義の関数も LLM が書き足す • 結果を見て直すマルチターンで改善 • 見たことのない指示・属性にも汎化 • 人手でのAPI設計が重要 → ハーネスの改善へ Liang et al., Code as Policies, arXiv 2209.07753 (2022) / Fu et al., CaP-X, arXiv 2603.22435 (ICML 2026) 3

CaP と VLAの関係 CaP と VLA は得意なことと苦手なことが逆。二つを統合して補い合えるか？ CaP 系 VLA 得意 指示の理解・タスクへの 観測を反映した細かい 汎化 動作を高速に実行 苦手 細かい動作・推論遅延 指示・配置の変化への 汎化 VLA • 画像+指示 → 行動を出す大規模モデル(RT-2, OpenVLA, π0.5, GR00T…) • 指示の言い換え・配置の入れ替えで大きく崩れる 本サーベイの対象 • CaP (LLM Agent)とVLA を統合することで、 両者の弱点を補える研究はあるか？ HarnessPAI Fig. 4:指示に not を足しても、π0.5 は学習時と同じボウルを掴む Darwin Agent Team, HarnessPAI, arXiv 2609.29166 (2026-09) 4

CaPの分類・全体像 「VLA を使うか」×「実行中も LLM を呼び出すか」で、CaP 系の研究を4象限に整理 マルチターン CaP-X + 柔軟 − 遅い VoLo · Pigey など RATs · Agent as Policy など ① Harness VLA ② Zetta GPT-6 Astra(行動を直接出力) ④ DynaHarness VLA なし VLA あり Code as Policies ③ HarnessPAI ASPIRE · RHO · RAX など 本サーベイの中心 深掘りする4本 先行研究 シングルターン + 速い − 再計画しにくい 5

Harness VLA ①:VLA を「1つの基本関数」として呼ぶ 凍結した VLA を「接触専用の基本関数」にして、LLM が毎ステップ呼び出す 問題意識 • VLA と CaP のそれぞれ単独に多くのことを 任せすぎている 仕組み • LLM が毎ステップ、基本関数を1つ選ぶ • 解析的な基本関数(移動・姿勢・グリッパ) + VLA_ACT • 基本関数は固定。「いつ・どこで VLA を呼ぶか」を 学ぶ Memory 論文 Fig. 2:VLA が得意な局所領域(緑)を、解析的な移動でつなぐ Zhang et al., Harness VLA, arXiv 2607.08448 (2026-07) • 学習時に成功した手順の骨格と、成功パターン・ 失敗パターンを保存 • 保存した記憶をコンテキストに入れて、関数の選択 に使う 6

Harness VLA ②:手法の詳細
LLM は「どの関数を、どこへ」だけ決める — 位置は画像から、学ぶのは記憶
どう選ぶか(1ターンの流れ)

低レベルの動き(基本関数の中身)

• 観測(RGB-D 画像+ロボット状態)・指示・記憶を読み、
基本関数を1つ選んで JSON で出す
• その関数が終了条件まで動く → 新しい観測を見て次を選ぶ

• 接近・運搬:MOVE_TO が目標座標へ移動(中身は IK・操作
空間制御のソルバ)
• 姿勢・グリッパ:手首の回転・開閉を値で指定
• 接触:VLA_ACT が短い区切りで行動を出し、停止条件
で止まる

位置をどう求めるか
• VLM が RGB 画像上で対象の画素を選ぶ → 深度から作った
3次元マップを引く
• 複数画素の中央値。正解座標は使わない

どう学ぶか(VLA の重みは更新しない)

LLM が出す命令(JSON)の例

• 試行錯誤:1つの初期状態で、うまくいく手順を探す
• 成功したら記憶:手順の骨格+成功則・失敗パターン
• 本番:記憶を再利用して行動選択を行う

{"action": "move_to", "xyz": [-0.10, 0.20, 1.05],
"gripper": "open"}
{"action": "vla_act", "prompt": "grasp the black bowl",
"max_chunks": 30, "stop": "object_lifted"}

Zhang et al., Harness VLA, arXiv 2607.08448 (2026-07) — §2, Table 1, 付録 A・C・E.2

7

Harness VLA ③:結果 LIBERO-Pro 82.4%:VLA 単体(50.0%)も CaP 系(Cap-X 18.2%)も上回る LIBERO-Pro 全体(Table 3) • Harness VLA 82.4% • 同じ凍結 VLA 単体 50.0%・π0.5 11.0% • CaP 系:Cap-X 18.2%・RATS 43.8% 記憶なしでも CaP 系に勝つ(Table 5) • 指示の言い換え:79.0% vs 16.8% • 配置の入れ替え:31.0% vs 25.6% 論文 Table 3:LIBERO-Pro の成功率(T=指示の言い換え、S=配置の入れ替え) ポイント • LLM の汎化 × VLA の接触操作で、どちら か単体を超える 論文 Table 5:記憶なし(ゼロショット)の Harness VLA と Cap-X の比較(LIBERO-Pro Goal) Zhang et al., Harness VLA, arXiv 2607.08448 (2026-07) 8

Harness VLA ④:残った課題 HarnessVLAは性能は高いが実行が遅く、実行中の VLA を見ていないという課題もある 実行が遅い • 毎ステップ LLM を呼ぶため、計画だけで1エピソード約350〜530秒 → リアルタイム性の求められる環境では使えない 実行中は VLA を見ていない • VLAはあくまでツールとして呼び出しているイメージ • VLA_ACT を呼んだら、終わるまで結果が分からない Zhang et al., Harness VLA, arXiv 2607.08448 (2026-07) / 時間・費用は Zetta・HarnessPAI の計測 9

Zetta ①:LLM を実行の外へ、監視はコードで LLM は実行の外で改善するだけ — 実行中はコードが見張り、外れたら立て直して VLA に返す 問題意識 • • 判断のたびに LLM を呼ぶ設計は遅い 大きなLLMは短い周期で推論できない 実行中 • 監視コード（Critic）が動作を監視(把持状態等) • 復旧処理で VLA の得意な状態に戻してから返す 事後 • LLM が失敗を診断し、Critic・復旧処理を追加 論文 Fig. 2:実行時のループ(左)と、事後の3段階の改善(右) ポイント • Ding et al., Zetta, arXiv 2608.16590 (2026-08) VLAの失敗、復旧のルールベースの処理を ハーネスとして最適化する 10

Zetta ②:結果と課題 VLA を変えずに性能が上がり、LLM を実行から外して推論時間も約1/10に 性能向上(VLA は凍結) • LIBERO-Pro(Goal):π0.5 34.5% → 90.8% • RoboCasa:GR00T 73.6% → 93.6% • LIBERO-Pro 全40条件では 32.0% → 71.1% 論文 Fig. 1(抜粋):成功率。LIBERO-Pro は Goal の2条件の平均 推論時間の短縮 • 1エピソード:Harness VLA 392〜513秒 → 約40秒 • LLM は実行の外(事後の改善)だけで呼ぶ （成功率はHarness VLAと比較なし） 論文 Fig. 1(抜粋):14:実行コスト(RPent = Harness VLA) Ding et al., Zetta, arXiv 2608.16590 (2026-08) 11

HarnessPAI ①:実行中は LLM を呼ばない 実行中は LLM を呼ばず、固定のプログラムが動く 問題意識:適応がどこに学習されるか • 追加学習=重み / CaP=プログラム / VLA ハーネス=実行時の LLM • HarnessPAI=事前に作るプログラムと 記憶 論文 Fig. 2:既存手法(追加学習・CaP・VLA ハーネス)と HarnessPAI Zetta との対比 — 問題意識は共通、VLA 主導か CaP 主導かが違う Zetta 共通の問題意識 HarnessPAI 実行中に毎ステップ LLM を呼ぶと遅い → LLM を実行の外へ出す 主導 VLA 主導 CaP(コード)主導 実行中の動き VLA が通常の動作を担い、コードは監視・復旧で補う タスクごとに最適化したコード全体が動き、 VLA は把持・配置の部品 何を改善するか 監視役・復旧処理を足していく プログラム全体を書き直し、タスクごとに固定する Darwin Agent Team, HarnessPAI, arXiv 2609.29166 (2026-09) 12

HarnessPAI ②:手法の詳細 Harness VLA の毎ステップの判断を、事前の試行錯誤で1本のプログラムにまとめる 準備(任意) • expert動画から、VLM が作業の流れ(接近→把持→運搬→ 配置)を作る • VLA を試し、失敗する段階を VLM が判定 → その段階はコード に置き換える 試行錯誤のループ(タスクごと) 論文 Fig. 9:手法の全体像(左:準備、右上:試行錯誤のループ、右下:技能の管理) • 成功の条件を先に固定(「エラーなく終了」は成功ではない) • GPT-5.6 がコードを修正 → 15シードで実行 → Gemini が動画 で段階ごとに診断 • 全シード成功で採用、「失敗→修正」を技能として保存 実行時(シングルターン) • 固定プログラムが動くだけ。LLM は呼ばない • 「把持を確認してから運搬」などの分岐はコード内 論文 Table 3:実行時の段階ごとの担当(固定コード / VLA) Darwin Agent Team, HarnessPAI, arXiv 2609.29166 (2026-09) 13

HarnessPAI ③:結果と課題 実行中に LLM を呼ばないことで、Harness VLA より速く、安く、性能も高い 結果 • LIBERO-PRO 96.5%(Harness VLA 87.7%・ ASPIRE 72%・π0.5 34.9%) • 1回 49秒 vs 1135秒、実行中の LLM 費用 $0 vs $168(50試行) • 別の行動モデルに付け替えても 0.6% → 73.4% 課題 論文 Table 7:LIBERO-PRO の成功率(Swap=配置の入れ替え、Task=指示の言い換え) 論文 Fig. 21:Harness VLA との時間・トークン・費用の比較 Darwin Agent Team, HarnessPAI, arXiv 2609.29166 (2026-09) • 固定プログラムは新しい状況に弱い 14

DynaHarness ①:遅い判断役と速い判断役に分ける Harness VLA の遅い LLM 推論を、小さな LLM と決定的なコードによる管理に分担 問題意識 • 接触や途中の成功は、LLM の判断の間に起きる 遅い判断役(Qwen3-VL-4B) • 次に使う機能と対象だけ決める(座標は出さない) 速い判断役(決定的なコード, 2Hz) 論文 Fig. 2:遅い判断役・速い判断役・機能ライブラリ Harness VLA 大きな LLM が 毎ステップ判断 • 具体化・拒否・監視・切替・再計画の依頼 • 機能:解析的な技能+復旧技能+ vla_act(凍結 π0.5) 小さな LLM:何をするかだけ 決定的なコード:実行の管理 Deng et al., DynaHarness, arXiv 2609.40306 (2026-09) 15

DynaHarness ②:主な結果 4B の小型 LLM で 74.25% — 同じ LLM にそろえると既存のハーネスを大きく上回る LIBERO-Pro 4条件(Table 1) • DynaHarness 74.25%(上位は 4B の小型 LLM) • 凍結した π0.5 単体 16.2% から +58.0pt 同じ小型 LLM(Qwen3-VL-4B)にそろえると • Harness VLA 6.0%・Zetta 0.0%・PhyAgentOS 20.3% • 元論文の最先端 LLM では Harness VLA 76.8%・ Zetta 71.1% 注意 論文 Table 1:LIBERO-Pro 4条件の成功率(T=言い換え、S=入れ替え) Deng et al., DynaHarness, arXiv 2609.40306 (2026-09) • 他手法の値の多くは各論文からの引用で、条件は揃わな い • 74.25% は開発に使ったシードでの値(新しい初期状態 では 75.2%) 16

DynaHarness ③:VLA は何をしているか VLA を外しても −3.5pt — 性能の大部分は解析的な技能が担っている VLA の役割は小さい(Table 16) • VLA を外しても 74.0% → 70.5%(−3.5pt) • 解析的な技能を外すと 16.6%(π0.5 単体 16.2% 並 み) VLA の使われ方(本文) • 770件中570件は VLA を呼ばずに成功率 96.7% • VLA は解析的な技能で解けない難しい場面で呼ばれる 論文 Table 16:機能を外す比較実験(各800件中の成功数)。全部入り 592 = 74.0%、VLA なし 564 = 70.5%、解析的な技能なし 133 = 16.6% Deng et al., DynaHarness, arXiv 2609.40306 (2026-09) 17

まとめ①:4本の比較 LLM の判断は実行の外へ、VLA の担当は狭く — 周りのハーネスが性能を担う方向へ Harness VLA(7月) Zetta(8月) HarnessPAI(9月) DynaHarness(9月) VLA に任せる 接触の局面 通常の動作全般 把持・配置 予備 LLM が考える 実行時毎ステップ ハーネス改善時 ハーネス改善時 小さな LLMで抽象 指示 LIBERO-Pro 82.4% 71.1% 96.5% 75.2% 速さ・費用 遅い(数百秒/回) 約40秒/回 約50秒/回・実行中 $0 約30秒/回 実機実験 定性結果のみ なし なし 4タスク×10回 注意 • 評価条件(摂動の種類・条件数・シードなど)が論文ごとに違うので、LIBERO-PROの数値は参考値 Harness VLA 2607.08448 / Zetta 2608.16590 / HarnessPAI 2609.29166 / DynaHarness 2609.40306 18

まとめ②:未解決課題と展望 Agent+VLAは VLA 単体を大きく超えるが、VLAの有効性と未知タスクへの汎化の検証が課題 未解決課題 • VLA は必要か? Harness VLA は VLA なしで 3%、DynaHarness は外しても −3.5pt (差はハーネスの作り込み) → ハーネスが強ければCaPだけで良くてVLAは必要ない？ • タスク間のハーネスの転移が未検証:ハーネスはタスクごとに作り、評価は同じタスクの別の初期状 態・言い換えが中心 – VLA は学習していない指示に汎化しにくい – VLAにCaPを組み込むことで、どれだけ未知タスクにも汎化できるのか Harness VLA 2607.08448 / Zetta 2608.16590 / HarnessPAI 2609.29166 / DynaHarness 2609.40306 19

参考文献 先行研究 分類図で触れた研究 [1] [7] [2] J. Liang et al., "Code as Policies: Language Model Programs for Embodied Control," ICRA 2023. arXiv:2209.07753 L. Fu et al., "CaP-X: A Framework for Benchmarking and Improving Coding Agents for Robot Manipulation," ICML 2026. arXiv:2603.22435 本発表で紹介した研究 [3] [4] [5] [6] Y. Zhang et al., "Harness VLA: Steering Frozen VLAs into Reliable Manipulation Primitives via Memory-Guided Agents," arXiv:2607.08448, 2026. X. Ding et al., "Zetta ζ: An Efficient Closed-Loop Embodied Harness for Self-Evolving Physical Intelligence," arXiv:2608.16590, 2026. Darwin Agent Team, "HarnessPAI: An Evolving Harness for Physical AI," arXiv:2609.29166, 2026. H. Deng et al., "DynaHarness: A Dynamic Physical Harness for SelfEvolving Robot Agents," arXiv:2609.40306, 2026. R. Lu et al., "ASPIRE: Agentic Skills Discovery for Robotics," arXiv:2607.00272, 2026. [8] J. Zhang et al., "Playful Agentic Robot Learning," arXiv:2606.19419, 2026.(RATs) [9] "Agent as Policy for Robotic Manipulation," arXiv:2609.12541, 2026. [10] "An Unexpected Robot Policy: Early Evaluations of GPT-6 Astra on RoboDojo and Beyond," arXiv:2609.24170, 2026. [11] "VoLo: A Physical Orchestrator for Open-Vocabulary Long-Horizon Manipulation," arXiv:2606.07723, 2026. [12] L. Galanti, D. Shah, T. Dao, "Addressing the Orchestration Gap in Generalist Robots via Physical Agency," arXiv:2607.21725, 2026.(Pigey) [13] K. Elmaaroufi et al., "RHO: Your Coding Agent is Secretly a Roboticist," arXiv:2606.16458, 2026. [14] R. Huang et al., "Scaling Online Exploration for Robot Agents," arXiv:2610.22496, 2026.(RAX) その他 [15] Physical Intelligence et al., "π0.5: a Vision-Language-Action Model with Open-World Generalization," arXiv:2504.16054, 2025. [16] "Towards Agentic Robots: Model, Data, Environment, and Harness," arXiv:2610.20442, 2026.(サーベイ) 20