运动基元表示让动作分块更平滑

Shota Nomura 等提出 Smooth Action Chunking，把动作分块中的轨迹段表示为平滑基函数的线性组合，在不改变策略架构、训练目标和推理流程的前提下生成更平滑的轨迹。作者称，该方法在一次性（ACT）和迭代式（DiT）两种骨干上实例化，并在仿真和真实双臂 ALOHA 平台上评估：块内 jerk 在一次性骨干上降低一个数量级，在迭代骨干上降低 2.4 倍，任务成功率统计上不劣于原方法。 作者还称，后续的条件化处理消除了 73–84% 的块边界不连续，每步开销可忽略；该修正无需重新训练，且不同于异步 Real-Time Chunking，适用于一次性查询的策略。上述结果来自论文作者，属预印本报告，尚未经同行评议或独立验证。

AI 根据报道生成 · 4 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。