TraceWAM：面向长时程机器人操控的任务状态参考引导动作候选评估

基于摘要分析。本文研究长时程机器人操控中的任务状态对齐漂移：即闭环执行过程中，任务关键物体的姿态、接触与空间关系相对于当前任务阶段逐渐偏离。作者提出 TraceWAM，在执行前结合阶段物理参考评估动作候选，旨在让 World Action Models 的动作生成与当前物理任务状态保持一致。 核心机制是维护分阶段的物理参考和循环进度记忆，并在以物体为中心的任务状态空间中，预测各候选动作对应的对齐偏差及不确定性。对于基础动作块与一个有界残差候选，TraceWAM 在相同的当前阶段参考下评估二者，只有残差候选的预测风险和进度裕量满足核验条件时才选择它。摘要未给出风险计算、核验阈值、记忆更新或损失函数的具体形式。 训练时，作者从共享模拟器状态分支执行不同动作，以获得不同动作条件下的结果，为候选级后果预测提供监督；这一训练过程不改变部署流程。该机制依赖可分支的模拟器、阶段参考及可表征物体状态的输入，不能直接视为通用状态空间模型或 EEG 解码方法。 作者报告，在 RoboTwin 2.0 和 LIBERO 上，TraceWAM 的平均成功率分别为 93.0% 和 98.1%，相对 Fast-WAM 分别提高 1.6 和 1.4 个百分点；在 RMBench 上总体成功率为 41.6%。作者还报告任务状态漂移分析和消融支持阶段参考动作核验的有效性。摘要未提供任务构成、数据划分、重复次数或统计不确定性，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若用于 BCI 驱动的多阶段机器人操控，可假设复用动作候选核验模块，以机器人视觉状态和阶段目标检查 EEG 解码指令的执行后果，而非直接改造 EEG 解码器。需另行设计解码不确定性与动作候选的接口；低信噪比、跨被试差异及阶段判断错误可能导致拒绝有效指令或选择错误动作。一个可检验的小实验是在同一多阶段模拟任务中，固定 EEG 解码器与候选生成器，对比启用和关闭核验时的任务成功率、阶段漂移和有效指令误拒绝率。原领域结果不等于 BCI 有效性，已有 EEG 相关工作尚未检索确认。