Action Chunking with Transformers

与传统策略一次只预测一个动作不同，ACT 会将动作打包，一次性预测未来 k 个时间步的动作序列 。这成倍地缩短了任务的有效预测跨度，从而有效缓解了误差累积问题 。

ALOHA 遥操作平台

超低成本，主要由市售的廉价机械臂（ViperX 和 WidowX）和 3D 打印部件组成 。

操作员通过直接拖动较小的“领导者”机械臂，让较大的“跟随者”机械臂同步运动 。这种方式能提供极高的控制带宽，并有效过滤轻微的震动，使操作更加直观稳定 。

ACT

传统的模仿学习策略是预测下一步的动作，即单步预测 πθ(at∣st)\pi_{\theta}(a_{t}|s_{t}) 。而在精细操作中，微小的单步误差会迅速累积导致任务失败 。 ACT 改变了这一做法，它在接收到当前观测结果后，会直接生成未来 kk 个时间步的目标关节位置序列（即 πθ(at:t+k∣st)\pi_{\theta}(a_{t:t+k}|s_{t})） 。

如果机器人每隔 kk 步才观察一次环境并执行动作块，会导致运动非常生硬和卡顿 。为了提高动作的平滑度，ACT 在每一个时间步都会查询策略网络 。

这意味着不同时间步预测出的动作块会发生重叠 。

ACT 提出使用一种指数加权方案 wi=e−m∗iw_{i}=e^{-m*i}（其中 w0w_{0} 是最旧动作的权重），对针对同一个未来时间步的多个预测动作进行加权平均 。这种集成方式不需要额外的训练成本，只需在推理时进行计算即可产生极其平滑和精确的动作 。

ACT 将策略训练为一个条件变分自编码器（CVAE） 。模型被分为 CVAE 编码器 和 CVAE 解码器（即实际的策略网络） 。通过引入一个风格变量Style Variable zz，ACT 能够捕捉人类演示中的变异性 。

训练

CVAE 编码器（一个类似 BERT 的 Transformer 编码器）接收当前机器人的关节位置、演示数据中的目标动作序列 at:t+ka_{t:t+k}，以及一个预设的 [CLS] token 。它将这些信息压缩，并通过 [CLS] token 输出的特征来预测风格变量 zz 的均值和方差（参数化为对角高斯分布） 。

4 个摄像头的 RGB 图像分别通过 ResNet18 提取特征，展平后加入 2D 正弦位置编码以保留空间信息 。

图像特征序列与当前的关节位置、以及采样得到的风格变量 zz 拼接在一起，送入 Transformer 编码器 。随后，Transformer 解码器利用交叉注意力机制结合固定的位置编码，输出一个 k×512k \times 512 的张量，最后通过 MLP 降维成 k×14k \times 14 的目标动作序列, 即未来 kk 步中 14 个关节的目标位置。

使用标准的 VAE 目标函数进行优化，包含重构损失和约束 zz 的 KL 散度正则化项 。

ACT 发现使用 L1 损失比 L2 损失能获得更精确的动作建模

推理

在实际部署时，CVAE 编码器会被直接丢弃。由于没有了真实的未来动作来推断风格变量 zz，ACT 会直接将 zz 设置为先验分布的均值也就是全零向量 。

CVAE 解码器（策略网络）仅根据当前摄像头画面、当前的关节位置以及这个设为 0 的 zz，确定性地输出未来 kk 步的动作块序列 。