Um paper de posição assinado pelo Grid Robotics e por pesquisadores como Qingfeng Lan, Duo Li, Shijian Lu e Xinchao Wang argumenta que a robótica agêntica precisa deixar de ser uma coleção dispersa de demonstrações. Precisa ganhar arquitetura, métrica e roteiro comuns.
A tese central é que o núcleo de decisão não é mais uma política treinada por tarefa. É um System 2 encarnado: um modelo de fundação acoplado a um harness de execução.
Esse núcleo observa, interpreta intenção, raciocina, orquestra habilidades, verifica resultados e adapta a estratégia.
Os autores propõem uma decomposição funcional em três papéis, um framework de avaliação em nove dimensões e uma progressão de quatro níveis de trabalho delegável.
O que os autores propõem
O artigo organiza o sistema em três papéis funcionais. O System 2 (S2) interpreta a intenção do usuário, raciocina sobre metas e restrições, orquestra habilidades e ferramentas e verifica os efeitos físicos das ações.
Ele decide se age, coleta informação, pede esclarecimento, continua, tenta de novo, replaneja ou para.
O System 1 (S1) fornece as habilidades e módulos chamáveis: políticas visão-linguagem-ação (VLA), world-action models (WAMs), módulos de percepção, planejamento de movimento e programas gerados pelo próprio S2.
O System 0 (S0) é a camada específica do corpo, com controle em tempo real. Cobre balanceamento de humanoides, marcha de quadrúpedes, cinemática inversa de braços e controle de chassi.
A contribuição conceitual mais forte é definir que o S2 é realizado por um modelo de fundação mais um embodied harness. O harness tem cinco partes concretas: um gerenciador de contexto, uma interface de ferramentas, um planejador, uma memória e um verificador.
Some-se a isso um monitor de eventos em tempo real. Ele roda em paralelo e pode interromper o S2 diante de um comando súbito, uma colisão ou uma pessoa entrando no espaço de trabalho.
Os autores também propõem avaliar capacidades do modelo e desempenho do sistema em malha fechada separadamente, ao longo de nove dimensões. E organizar a pesquisa em quatro níveis de delegação (L1 a L4).
O material completo está no paper e na página do projeto.
Contexto: qual problema está sendo atacado
O texto reconstrói a trajetória da área. Primeiro vieram arquiteturas modulares desenhadas à mão para percepção, planejamento e controle (Nilsson, 1984; Gat et al., 1998).
Depois, políticas aprendidas em simulação com aprendizado por reforço profundo, que produziram locomoção ágil (Hwangbo et al., 2019) e controle de corpo inteiro de humanoides por rastreamento de movimento humano (Liao et al., 2025; Luo et al., 2026c).
O problema é que essas políticas continuam especializadas em tarefas e corporificações específicas. Modelos VLA (Black et al., 2025a, 2025b) e WAMs (Ye et al., 2026a; Yuan et al., 2026b; Li et al., 2026c) ampliaram o escopo, mas a generalização segue frágil.
Segundo os autores, o desempenho cai quando cena ou instrução mudam (Zhou et al., 2025c).
Uma linha de resposta é escalar e diversificar dados: dados de robôs reais, demonstrações UMI (Chi et al., 2024), dados egocêntricos humanos e dados multimodais da web (Brohan et al., 2023).
O paper aponta um caminho alternativo, gatilho do artigo. O lançamento do GPT-6 Astra (OpenAI, 2026a, 2026b) teria permitido que modelos de fronteira com harnesses agênticos igualassem ou superassem políticas específicas em muitos benchmarks incorporados, sem ajuste fino por tarefa (Zhang et al., 2026c).
Trabalhos seguintes exploraram o modelo com políticas aprendidas e ferramentas robóticas (Galbot Team et al., 2026; Gao et al., 2026b).
O diagnóstico dos autores é que falta convergência: não há definição compartilhada, framework confiável de avaliação nem roteiro de pesquisa. A comparabilidade já se deteriorou.
Avaliações no RoboDojo variam nas fontes de conhecimento de tarefa e no orçamento de ações permitido (Zhang et al., 2026c; SenseNova et al., 2026). O Harness VLA mostra ganhos substanciais vindos de memória de execução mesmo mantendo planejador e VLA fixos (Zhang et al., 2026f).
Como funciona
O funcionamento é descrito como um laço fechado: comandos descem, evidências sobem. Os autores detalham três caminhos pelos quais uma decisão do S2 chega ao corpo.
Na orquestração em camadas, o S2 chama habilidades e ferramentas do S1, que produzem as ações que o S0 executa. No controle direto, o S2 contorna o S1 e envia alvos de ação ao S0 por uma interface permitida.
Os autores enfatizam que isso não coloca o modelo de fundação dentro do laço de tempo real. O S0 mantém seu próprio laço e reporta estimativas de estado como posições de juntas, contato e pose.
O monitor de eventos é a peça que resolve o conflito entre deliberação lenta e segurança física. Rodando a alta taxa, ele usa um VLM de streaming pequeno, detectores baseados em regras ou ambos.
Interrompe o S2 quando um evento pode mudar a tarefa. Se a reação precisa ser imediata, aplica regras predefinidas de segurança e dispara resposta protetiva no S0, como parar ou desacelerar o movimento.
Os autores destacam três propriedades sistêmicas que a arquitetura precisa sustentar: operação em múltiplas escalas de tempo, responsividade durante a deliberação e persistência de estado entre tarefas.
Também mapeiam o que já existe. Inner Monologue (Huang et al., 2023b) realimenta o planejamento com sinais de cena e de sucesso de habilidade.
SCOPER (Wei et al., 2026a) mantém uma memória de evidências e verifica progresso para guiar recuperação. Hi Robot (Shi et al., 2025) e Gemini Robotics (2025a, 2025b, 2026b) usam um VLM de alto nível que interpreta instruções e delega subtarefas.
No S0, controladores gerais de corpo inteiro, chamados de behavior foundation models, são pré-treinados em escala rastreando grandes datasets de movimento humano (Yuan et al., 2025a).
Resultados reportados
Não há experimento novo. O paper é uma proposta conceitual com levantamento de evidências secundárias.
Os "resultados" que apresenta são de terceiros: o desempenho do GPT-6 Astra em benchmarks incorporados sem ajuste fino (Zhang et al., 2026c), os ganhos de memória de execução do Harness VLA com planejador e VLA congelados (Zhang et al., 2026f) e a constatação de que avaliações no RoboDojo não são diretamente comparáveis por diferenças de fontes de conhecimento e orçamento de ações.
O que os autores oferecem como produto é o framework de avaliação em nove dimensões, com ênfase em três exigências: verificação independente de resultado, relato transparente das condições e avaliação enquanto o ambiente continua evoluindo.
Completa o pacote a escada de delegação. L1 executar primitivas, L2 completar tarefas, L3 coordenar fluxos de trabalho, L4 cumprir papéis permanentes.
Ela está conectada a quatro direções de pesquisa, entre elas o aprimoramento contínuo a partir da experiência física.
Limitações e o que não foi provado
A primeira limitação é de natureza: sem experimentos próprios, nenhuma das teses centrais foi testada pelos autores. A evidência empírica que sustentam vem de avaliações com condições heterogêneas, algo que o próprio texto reconhece ao discutir o RoboDojo.
As nove dimensões são propostas, não validadas. O material não reporta teste de reprodutibilidade, concordância entre avaliadores ou capacidade preditiva das métricas.
A escada L1–L4 também é um construto normativo. Não há dado de que sistemas reais progridam de forma monotônica entre níveis, nem critério operacional para saber quando um sistema "cumpre um papel permanente".
Do mesmo modo, as cinco partes do harness são listadas, mas não há ablação que mostre qual delas carrega o peso do desempenho.
O texto trata explicitamente de restrições físicas: tempo de reação limitado, limites mecânicos, mudanças imprevisíveis de ambiente e consequências irreversíveis. Afirma que o desafio é traduzir raciocínio genérico em ações eficazes e verificáveis sob essas restrições.
Mas oferece princípios, não um mecanismo certificado. As regras de segurança do monitor são "predefinidas", sem especificação de como são derivadas ou validadas.
Falta também qualquer número de custo, latência ou viabilidade de executar o modelo de fundação a bordo. E fica em aberto quem verifica o verificador, já que o julgamento de sucesso é ele mesmo um componente do S2.
Por que isso importa para quem constrói com IA
Para quem já opera agentes em software, a mensagem prática é que a engenharia se desloca do modelo para o harness. Gerenciador de contexto, memória, interface de ferramentas e verificador são exatamente as peças que times de agentes digitais depuram todos os dias.
O paper sustenta que esse repertório transfere para o mundo físico, com ressalvas. Irreversibilidade e prazos rígidos mudam o cálculo de risco de cada chamada.
Há também uma lição de higiene experimental. Se resultados de um mesmo modelo variam conforme fontes de conhecimento de tarefa e orçamento de ações, qualquer comparação de fornecedores precisa reportar essas variáveis.
Para equipes brasileiras que não vão treinar políticas próprias, a arquitetura S2/S1/S0 sugere um caminho viável: compor modelos de fundação com habilidades existentes. Mas transfere o ônus para a avaliação em malha fechada, que é justamente a parte que o paper diz ainda não estar resolvida.
Referências
GRID ROBOTICS; LAN, Qingfeng; LI, Duo; LI, Siyao; LYU, Yiheng; LU, Shijian; QI, Zhenghao; WANG, Shizun; WANG, Xinchao; YANG, Ming; YANG, Zhiqin; YANG, Zuhao; YU, Tao. Envisioning Agentic Robotics: A New Era of Robotic Systems. arXiv:2611.18359 [cs.RO], 2026. Disponível em: arXiv.org/abs/2611.18359.
Página do projeto: grid-robotics-official.GitHub.io/agentic-robotics-roadmap.
O artigo cita, entre outros: Nilsson (1984); Gat et al. (1998); Hwangbo et al.
(2019); Liao et al. (2025, 2026); Luo et al.
(2026c); Black et al. (2025a, 2025b); Ye et al.
(2026a); Yuan et al. (2026b); Li et al.
(2026c); Zhou et al. (2025c); Chi et al.
(2024); Brohan et al. (2023); OpenAI (2026a, 2026b); Zhang et al.
(2026c, 2026f); Galbot Team et al. (2026); Gao et al.
(2026b); SenseNova et al. (2026); Huang et al.
(2023b); Wei et al. (2026a); Shi et al.
(2025); Gemini Robotics Team (2025a, 2025b, 2026b); Yuan et al. (2025a).




