关节状态

用户指令 / 实时反馈

高层策略（VLM）

机器人语音回复

低层语言指令

低层策略（VLA）

动作

高层策略根据开放式指令和基座、腕部相机图像生成低层语言指令。低层策略结合指令、图像和机器人状态产生动作，并可生成语音回复。