先移动后操作：面向类人机器人操作的行为分阶段框架
研究团队提出 Move-Then-Operate 视觉-语言-动作框架，将机器人操作拆分为粗定位（move）与接触关键交互（operate）两个阶段，用可学习阶段选择器路由双专家策略；阶段标签由基于多模态大模型的流水线依据末端执行器速度、子任务分解等线索自动生成。在 RoboTwin2 基准上平均成功率 68.9%，比单体 π0 基线高 24%，与用 10 倍数据训练的模型持平或更优，训练步数减少 40% 即达峰值性能。代码已在 GitHub 开源。
发布于 10-22 13:01来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《Move-Then-Operate: Behavioral Phasing for Human-Like Robotic Manipulation》查看原链
我们提出 Move-Then-Operate，一个视觉-语言-动作（VLA）框架，将机器人操作显式解耦为两个不同的行为阶段：粗定位（move）与接触关键交互（operate）。 与将这两类异质过程混为一体的单体策略不同，我们的架构采用由可学习阶段选择器路由的双专家策略，引入结构性归纳偏置以隔离各阶段特有的动力学。
阶段标签通过基于多模态大模型（MLLM）的流水线自动生成，该流水线以末端执行器速度、子任务分解等轻量上下文线索为条件，以确保与人类运动模式对齐。 在 RoboTwin2 基准上，本方法平均成功率达 68.9%，比单体 π0 基线高出 24%；其表现与使用 10 倍数据训练的模型持平或更优，并在训练步数减少 40% 的情况下达到峰值性能，表明将 move 与 operate 阶段在架构上解耦是掌握高精度操作的高效策略。
代码已开源于 https://github.com/healenrens/Move-then-Operate。