RoboPace：面向 Action-Chunk 策略的接触感知时间最优重参数化

基于摘要分析。RoboPace 研究机器人从无机器人参与的人类演示中学习操作策略后，如何调整执行节奏以兼顾速度与接触安全。其核心贡献是一个无需重训策略的在线时间重参数化层：保留策略输出的几何路径，根据预测接触及目标机器人的运动学、动力学约束调整执行速度。 原问题在于，通过 Universal Manipulation Interface（UMI）或直接记录人手动作获得的演示，会使 Vision-Language-Action（VLA）策略继承人类的动作时序。人手的柔顺性使其能承受较快接触，而机器人可能受执行器与跟踪能力限制发生过冲；相反，机器人在自由空间中可能具备更快运动能力。RoboPace 将接触相关速度限制与机器人运动约束联合考虑，而非统一加速或只按物理运动极限调整时序。摘要称该方法可实时运行，但接触预测方式、时间最优目标的具体形式、约束求解器及运行时延尚未验证。 作者报告，在双臂机器人的三项接触密集型任务中，较快的统一执行和仅考虑物理极限的时间重参数化大多失败；RoboPace 的总体成功率高于较慢的统一执行，并在五个指令中的四个上将完成时间缩短至约一半。该时间结果应限定在摘要所述任务与指令范围内，不能解释为所有任务均获得相同加速。摘要未给出具体成功率、试验次数、任务与指令的对应关系、速度设置及统计不确定性，实验协议、消融及统计信息尚未验证。 复现需从全文核对 action-chunk 输出格式、接触预测输入、机器人约束参数与控制接口，以及各基线的执行速度和成功判据。该研究主要面向机器人操作执行，现有材料未建立其与 EEG 解码或 BCI 的具体机制对应关系，因此不据此推断 BCI 有效性或提出迁移实验。