技术摘要：AtomSkill

问题陈述

将模仿学习（IL）扩展到多样化的多任务机器人操控领域仍然是一个重大挑战。虽然最近的方法（如 Diffusion Policy (DP) 和 ACT）在单任务设置中取得了成功，但在多任务场景下，它们仍面临着根本性的问题：次优的专家演示、轨迹噪声以及行为的多模态性。这些问题往往导致策略难以泛化，或在不同任务之间产生破坏性的干扰。

现有的基于技能的方法试图将行为分解为可重用的抽象概念，但面临两个主要局限制：

1. 语言偏差（Linguistic Bias）： 像 LISA 和 SkillDiffuser 这样的方法通过语言和视觉输入学习语言抽象，但往往缺乏与动作空间的平滑对齐，使得分离任务特定行为或建模多模态动作变得困难。
2. 缺乏语义对齐（Lack of Semantic Alignment）： 仅基于动作的方法（例如 Discrete Policy, QueST, STAR）利用向量量化（VQ）直接从原始动作序列中学习技能。然而，这些抽象通常是由低层运动规律驱动的，而非语义等价性。因此，具有相似意图但在不同任务上下文中表现不同的运动会被编码为不同的潜在标记（latent tokens），从而阻碍了有效的跨任务对齐并限制了泛化能力。

方法论：AtomSkill

作者提出了 AtomSkill，一个旨在从演示中学习语义对齐的原子技能空间（Atomic Skill Space），并通过**关键位姿想象（keypose imagining）**实现鲁棒长程执行的框架。该框架由三个核心组件组成：

1. 基于 VLM 的语义技能发现

该框架首先将专家演示轨迹分割成非重叠的、语义连贯的子轨迹（原子技能）。

• 分割： 轨迹根据**夹持器状态关键帧（gripper-state keyframes）**进行拆分。夹持器状态的变化（例如，从开启到闭合）作为一段技能结束和另一段技能开始的鲁棒指标。
• 标注： 采用大型视觉语言模型（VLM）来分析每个片段，并分配语义技能标签（例如，“抓取”、“放置”）及自然语言描述。这使得技能边界基于语义结构而非仅仅是时间或低层运动模式进行构建。

2. 基于语义对比对齐的原子技能学习

核心学习模块通过增强型 VQ-VAE 架构来构建潜在技能空间。

• 技能量化： 技能编码器将变长的子轨迹压缩为固定长度的连续嵌入，然后通过可学习的代码本（Vector Quantization）将其映射到离散标记。
• 语义对比损失（Semantic Contrastive Loss）： 为了确保离散标记代表具有语义意义的技能，作者引入了一个包含两项内容的对比目标：
  • 时间一致性 ($L_{temp}$)： 鼓励共享相同量化标记且在序列中处于相对位置的嵌入保持接近，以确保结构的连贯性。
  • 语义感知 ($L_{skill}$)： 鼓励共享相同语义标签（来自 VLM）的嵌入聚集在一起，即使它们源自不同的任务。这强制要求功能相似的技能（例如，不同上下文中的“抓取”）共享相同的潜在表示。
• 带有关键位姿想象的动作解码器： 解码器 ($\psi_\theta$) 以观测值和当前技能标记作为输入。至关重要的是，它共同预测：
  1. 即时动作块（短期控制）。
  2. 终止关键位姿（terminal keypose, $a_{keypose}$），代表当前技能的目标状态。

3. 基于原子技能先验的推理

在执行期间，系统采用基于扩散的采样器和关键位姿驱动的转换策略。

• 原子技能先验： 扩散模型 ($\rho_\theta$) 根据任务指令和当前观测值采样高层技能嵌入。该采样器仅在需要新技能时被调用。
• 带有关键位姿的动作分块（Action Chunking with Keypose）： 策略生成一个动作块。当预测的后续动作与预测的终止关键位姿足够接近时，会自动触发向下一个技能的转换。这消除了对手动启发式方法或额外分类器来确定技能终止的需求，实现了平滑且鲁棒的技能链式衔接。

核心贡献

1. AtomSkill 框架： 一种新型的多任务模仿学习框架，用于学习并利用结构化的、语义对齐的原子技能空间。
2. 语义驱动的技能库： 一种通过夹持器状态检测和 VLM 标注来划分演示的范式，利用对比目标创建了一个紧凑且可重用的技能代码本，使语义一致性与时间连贯性相统一。
3. 基于关键位姿条件的动作生成： 一种能够共同预测终止关键位姿和即时动作的动作解码器。该机制促进了对长程运动目标的同时推理与细粒度控制，实现了无需人工干预的鲁棒技能链式执行。

实验结果

作者在模拟环境（RLBench）和真实世界环境（单臂和双臂任务）中对 AtomSkill 进行了评估。

• 模拟环境 (RLBench)： 在 12 个多样化任务中，AtomSkill 达到了 74.2% 的平均成功率（SR），超越了包括 MT-ACT (68.6%)、DP (36.9%) 和 QueST (32.8%) 在内的最先进基准方法。它在需要空间定位和多阶段协调的任务中表现尤为突出。
• 真实世界单臂： AtomSkill 实现了 0.93 的平均任务进度（ATP）和 90.0% 的成功率（SR），显著优于基准方法（例如，ACT 的 ATP 为 0.73）。
• 真实世界双臂： 在复杂的双臂任务（如“整理罐子”）中，尽管是从有限数据（每项任务 100 次演示）开始从头训练，AtomSkill 仍实现了最高的性能（0.60 ATP, 46.7% SR），而依赖大规模预训练的 RDT 等基准方法则表现挣扎。
• 消融实验： 去除时间或语义对比损失都会降低性能，证实了它们各自的互补作用。同样，去除关键位姿预测会降低成功率，特别是在侧重定位的任务中，验证了其在空间定位方面的作用。

重要性与主张

本文声称 AtomSkill 通过超越低层运动规律来学习语义对齐的原子技能，解决了多任务模仿学习中的关键差距。通过利用 VLM 将技能边界明确地锚定在语义结构中，并利用对比学习强制执行语义一致性，该方法实现了一个既紧凑又具有高度跨任务迁移能力的技能空间。

**关键位姿想象（keypose imagining）**的集成被强调为长程执行的一项关键创新。它允许策略对技能的终止状态进行推理，从而实现技能之间自主且平滑的转换，而不依赖于脆弱的手工设计终止启发式算法。

作者承认一个局限性：对于没有清晰物理转换过程的连续任务（例如，涂抹酱料），定义原子技能的粒度可能会引入歧义。然而，结果表明，对于具有明显交互阶段的任务，AtomSkill 提供了一个鲁棒的解决方案，用于实现可扩展的多任务机器人操控。