💻 computer science

CycleManip: Enabling Cyclic Task Manipulation via Effective Historical Perception and Understanding

本文提出了 CycleManip 框架，通过成本感知采样和多任务学习增强历史感知与理解，解决了循环式机器人操作任务中历史利用低效及缺乏基准的难题，并在仿真与真实世界多种机器人平台上验证了其高成功率与通用性。

原作者： Yi-Lin Wei, Haoran Liao, Yuhao Lin, Pengyue Wang, Zhizhao Liang, Guiliang Liu, Wei-Shi Zheng

发布于 2026-03-31

📖 1 分钟阅读☕ 轻松阅读

原作者： Yi-Lin Wei, Haoran Liao, Yuhao Lin, Pengyue Wang, Zhizhao Liang, Guiliang Liu, Wei-Shi Zheng

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一个名为 CycleManip 的新系统，它的核心目标是教机器人如何像人类一样，有节奏、有次数地重复做动作，并且知道什么时候该停。

为了让你更容易理解，我们可以把这篇论文的内容想象成教一个刚学做饭的新手厨师如何完成“炒蛋”或“打蛋”这样的任务。

1. 机器人遇到了什么难题？（“只会看眼前，记不住过去”）

想象一下，你让机器人去“把瓶子摇 5 次”。

普通机器人的困境：现在的机器人就像是一个只有 1 秒记忆力的金鱼。它每摇一次瓶子，眼前的画面（瓶子在晃）看起来都差不多。
结果：摇完第 1 次，它觉得“好像还没完，继续摇”；摇完第 2 次，画面还是那样，它又觉得“继续摇”……最后它可能摇了一百次，或者摇了一次就停了，因为它分不清自己现在是第几次，也不知道总共要摇几次。
论文指出的问题：以前的机器人太依赖“当下的眼睛看到的”，而忽略了“刚才发生了什么”。

2. CycleManip 是怎么解决的？（两个核心绝招）

为了解决这个问题，作者给机器人装上了两样“神器”：

第一招：聪明的“记忆筛选器”（有效历史感知）

比喻：想象你要看一部很长的电影来记住剧情，但你的大脑内存有限。如果你把每一帧画面都存下来，大脑会爆炸（计算太慢）；如果你只存关键帧，又可能漏掉细节。
CycleManip 的做法：它把机器人的“感觉”分成了两类：
1. 眼睛看到的（高清视频/图像）：这些太占内存了。它采用**“稀疏采样”**，就像看电影只记关键剧情点，每隔几秒存一张图，既省空间又能看清大概。
2. 身体感觉到的（关节角度、位置）：这些数据很小，但能精准反映动作节奏。它采用**“密集采样”**，就像记心跳一样，每一毫秒都记下来。
效果：机器人既不会“内存溢出”，又能精准地记住自己摇了几次瓶子，就像厨师记得“我已经摇过 3 下了”。

第二招：学会“数数”和“看进度”（有效历史理解）

比喻：光有记忆还不够，机器人还得理解这些记忆。以前的机器人只是机械地模仿动作（“看到瓶子晃，我就跟着晃”），但它不知道“晃”这个动作在整体任务中处于什么阶段。
CycleManip 的做法：它给机器人加了一个**“副业”。在教机器人做动作的同时，让它顺便猜一下**：“我现在是第几次了？”或者“任务完成了百分之多少？”。
效果：这就好比厨师在打蛋时，脑子里会想“这是第 3 下，还差 2 下就停了”。通过这种“多任务学习”，机器人不再盲目模仿，而是真正理解了任务的进度，知道什么时候该收手。

3. 他们怎么测试的？（建了一个“重复动作游乐场”）

以前没有专门测试机器人“重复动作”的题库。作者自己建了一个CycleManip 基准测试（Benchmark）：

任务多样：包括敲钉子、摇瓶子、切胡萝卜、打鸡蛋、混合化学试剂等 8 种需要重复动作的任务。
自动裁判：他们设计了一套自动系统，能精准数出机器人到底摇了几次，有没有摇够，有没有摇多。

4. 结果怎么样？（“不仅会重复，还能举一反三”）

实验结果非常惊人：

在模拟和现实中：CycleManip 的成功率远超其他最先进的机器人模型。别的模型可能摇 100 次停不下来，或者摇 1 次就停了，而 CycleManip 能精准地摇 5 次然后完美停止。
适应性强：这套方法不仅适用于机械臂，还适用于双机械手、灵巧手（像人手一样灵活），甚至人形机器人。
通用性：它不仅能做重复动作，还能提升机器人做普通任务（如拿面包、开微波炉）的能力。
即插即用：它就像一个“插件”，可以塞进其他复杂的机器人模型（比如 VLA 大模型）里，直接让那些模型也能学会数数和看进度。

总结

简单来说，这篇论文就是给机器人装上了**“长记忆”（知道过去发生了什么）和“进度条”**（知道现在进行到哪一步）。

以前机器人像是一个只会机械重复的复读机，现在 CycleManip 让它变成了一个有节奏感、懂分寸的熟练工。这为未来机器人真正走进家庭，帮我们做洗碗、扫地、做饭等需要重复劳动的家务，迈出了关键的一步。

1. 研究背景与问题定义 (Problem)

核心问题：
机器人操作中的循环任务（Cyclic Tasks），即机器人需要根据指令执行重复性动作并在预期时间或次数后停止（例如：摇晃瓶子混合液体、敲击钉子、搅拌化学试剂）。

现有挑战：

历史感知失效（Ineffective Historical Perception）： 传统的模仿学习策略通常依赖短观察窗口。在循环任务中，每一步的视觉观测（如摇晃瓶子后的状态）往往非常相似，导致模型无法区分当前是第几次循环，从而难以决定是继续执行还是停止。
历史理解缺失（Lack of Historical Understanding）： 仅靠模仿监督（Imitation Supervision）往往让模型学习到重复的动作模式，但缺乏对“任务进度”的显式理解。模型不知道当前处于循环的哪个阶段，导致容易陷入无限循环或过早终止。
缺乏基准与评估工具： 该领域缺乏包含多样化循环任务、自动数据生成及自动评估工具的基准数据集，阻碍了有效解决方案的发展。
计算开销问题： 简单地扩大观察窗口（包含所有历史帧）会引入巨大的计算和延迟开销，难以在实时系统中部署。

2. 方法论 (Methodology)

作者提出了 CycleManip 框架，旨在通过端到端的模仿学习（End-to-End Imitation Learning）解决上述问题，无需额外的分层结构或辅助模型。其核心由两个部分组成：

2.1 有效历史感知 (Effective Historical Perception)

为了解决计算开销与历史信息完整性之间的矛盾，提出了成本感知采样策略（Cost-Aware Sampling Strategy）：

低开销观测（Low-overhead Observations）： 针对机器人本体感知数据（如关节位置、末端执行器姿态差），采用密集采样。利用姿态差（Pose Difference）而非绝对位置，能更清晰地反映循环运动模式，且计算成本低，允许保留较长的历史时间跨度。
高开销观测（High-overhead Observations）： 针对视觉数据（RGB 图像、点云），采用启发式采样。
- 保留当前帧。
- 对历史帧进行二分采样（Right-sided binary sampling）和指数采样（Exponential sampling），在保持总帧数不变的情况下，覆盖更长的时间视野，捕捉循环特征，同时避免计算量爆炸。

2.2 有效历史理解 (Effective Historical Understanding)

为了解决模型无法区分循环阶段的问题，引入了多任务学习（Multi-task Learning）：

辅助任务： 在预测动作的同时，增加一个辅助头来预测当前任务进度（Task Progress）（例如：当前是第几次循环，或进度百分比）。
机制： 通过将进度预测作为监督信号，迫使模型学习能够区分不同循环阶段的特征表示。这使得模型不仅“看到”历史，还能“理解”当前处于循环的哪个阶段，从而做出正确的停止或继续决策。
架构实现： 使用 CLIP 编码语言指令，Point Encoder 编码视觉特征，Transformer 编码本体感知特征。融合后的特征既输入到扩散模型（Diffusion Model）预测动作，也输入到 MLP 预测进度。

2.3 整体架构

输入： 用户语言指令 + 历史观测（经过成本感知采样）。
核心： 基于扩散策略（Diffusion Policy）的端到端模仿学习。
损失函数： $L = \alpha \cdot \text{MSE}(\text{动作}, \text{真值}) + \beta \cdot \text{CE}(\text{进度预测}, \text{真值})$ 。

3. 关键贡献 (Key Contributions)

CycleManip 框架： 提出了一种无需额外模型或分层结构的端到端框架，通过“成本感知采样”和“多任务学习”显著提升了机器人在循环任务中的表现。
CycleManip 基准数据集：
- 基于 RoboTwin 2.0 平台构建了包含 8 种多样化循环任务（如双刀切菜、摇瓶、敲锤、搅拌等）的基准。
- 开发了自动评估系统，能够自动检测循环次数并判断任务是否成功（既完成了操作又完成了正确的循环次数）。
- 支持任意循环次数的演示数据生成。
广泛的适用性与泛化性：
- 在仿真和真实世界（单臂、双臂、灵巧手、人形机器人）中均验证了有效性。
- 证明了该方法不仅适用于循环任务，还能提升通用操作任务的性能。
- 具备**即插即用（Plug-and-Play）**能力，可集成到现有的 VLA（视觉 - 语言 - 动作）模型（如 Pi-0）中显著提升性能。

4. 实验结果 (Results)

4.1 仿真环境表现

对比 SOTA： 在 CycleManip 基准的 8 个任务中，CycleManip 在**成功率（Success Rate）和循环次数偏差（Cycle Count Deviation）**上均显著优于 DP, DP3, RDT, Pi-0 等主流基线方法。
- 例如：在“摇瓶”任务中，CycleManip 成功率达 95%，而基线方法普遍低于 40%。
消融实验： 证明了“成本感知采样”和“多任务进度预测”两个组件缺一不可，共同贡献了性能提升。

4.2 真实世界表现

硬件平台： 在 AgileX Piper（机械臂）、BrainCO Revo2（灵巧手）和 Unitree G1（人形机器人）上进行了测试。
任务： 包括敲块、摇瓶、敲鼓、打气、切菜、擦桌子等。
结果： CycleManip 在真实环境中依然保持高成功率（如敲块任务 93.75%），且循环次数控制精准，远优于基线 DP3。

4.3 通用性与效率

通用操作： 在 RoboTwin 2.0 的通用操作任务（如传递、抓取、开关微波炉）中，CycleManip 也取得了最佳性能，表明其历史建模能力对非循环任务也有增益。
即插即用： 将 CycleManip 模块集成到 Pi-0 模型中，显著提升了 Pi-0 在循环任务上的成功率（例如摇瓶任务从 19% 提升至 72%）。
效率分析： 相比基线，训练和推理时间仅增加微小幅度，显存占用略增，但换取了巨大的性能提升，具有极高的性价比。

5. 意义与影响 (Significance)

填补了循环任务研究的空白： 首次系统性地解决了机器人循环操作中的“非马尔可夫”特性问题，为日常生活中的重复性任务（如烹饪、清洁、工业装配）提供了可靠的解决方案。
重新定义了历史建模策略： 提出的“成本感知采样”为处理长序列视觉 - 本体感知数据提供了新的思路，平衡了信息完整性与计算效率。
推动具身智能落地： 通过多平台（从机械臂到人形机器人）验证，证明了该方法具有极强的泛化性和适应性，是迈向更自主、更灵活的家庭服务机器人和工业机器人的重要一步。
开源与基准建设： 提供的自动化评估工具和基准数据集将极大促进该领域的后续研究，解决以往缺乏统一评估标准的问题。

总结： CycleManip 通过让机器人“看清”过去（有效感知）并“理解”进度（有效理解），成功赋予了机器人执行复杂循环任务的能力，是机器人模仿学习领域的一项重要突破。