做机器人学习的人都知道，从演示数据训策略，扩散、流匹配这类生成策略，比用MSE的直接回归策略效果好。之前大家都把这差距归因为演示数据的多模态——同一个状态下，合理动作可能有好几个选择。但这篇arXiv的cs.RO论文说，锅可能根本不在多模态，而在“残差”。
【之前的归因，错在哪？】
大家默认，生成策略比MSE回归好，是因为能处理多模态演示——毕竟一个状态对应多个动作，MSE求的是平均动作，容易走偏，而生成策略能覆盖多种可能。但这篇论文偏要拆穿：他们重新分析了真实机器人的演示数据，发现差距的根源，是残差建模的问题，不是多模态。
【残差里的两个关键发现】
他们挖了两个被忽略的细节：第一，残差的尺度不是固定的——不同状态下，动作预测的误差波动差很多；第二，残差是重尾分布，比高斯分布有更多极端误差值。
再看两种策略的训练逻辑：MSE会给大残差的样本分配更多梯度权重，相当于盯着那些“离谱的误差”猛调。但问题是，这些大残差样本本身就是重尾的，噪音大，这么调反而拖了优化的后腿。而生成策略的梯度分配刚好避开了这个坑，所以表现更好。
【HT策略：快还能复用旧骨架】
针对这两个问题，他们搞出了HT策略——全称是异方差学生t回归动作策略。这套策略能学随输入变化的残差尺度，还能压低重尾的极端误差影响。
最实用的是，它是单次前馈传动作块，不用像有些生成策略那样要多步迭代，训练和推理都更快。而且，它能直接复用预训练的流匹配策略的 backbone——已经训了大模型的团队，不用推翻重来，改个头就能用，省了巨多成本。
【效果和适用场景】
实验测了四个仿真基准，还有真实机器人的任务，结果很实在：不管是从头训HT策略，还是用预训练的视觉语言动作模型、世界动作模型初始化，它的成功率都和生成策略基线相当，但训练和推理速度快很多。项目页放了所有实验细节和代码，有兴趣的可以去扒。
这相当于，既解释了生成策略为什么在机器人演示里好用，又给各种架构、各种任务，提供了一个高效的回归替代方案。
现在具身大模型微调都卡在动作策略的效率和稳定性上，要是把这个残差建模的思路套进去，会不会比现在的主流生成策略更省算力、更容易落地？
素材来源：arXiv (LLM/多模态新论文) · AI情报、具身智能、科研前沿
查看报道原文
本文由 WeValue 情报引擎基于公开报道整理改写
发表第一条评论吧