OSTRA：通过对象状态转移监督学习多阶段机器人操作

基于摘要分析。该研究针对多阶段机器人操作中的稀疏监督问题，尤其是策略所需的对象从过去到未来演化过程缺少监督的问题，提出对象状态转移图（OST-Map）及基于扩散的对象状态转移推理架构 OSTRA，将对象状态预测逐级衔接到机器人目标位姿与连续动作轨迹生成。 OST-Map 是一种以对象为中心的统一表示：将任务相关对象组织为身份一致的图，并在共享结构化空间中表示历史与未来对象状态。在此基础上，OSTRA 分层预测未来对象状态、目标 TCP 位姿和连续动作轨迹。其中，Transition-Guided Attention 在未来状态预测时优先关注历史对象状态转移；Staged Denoising 则逐步将预测的对象变化转换为机器人子目标及可执行动作。其核心思路是让对象演化成为连接任务理解与动作生成的中间监督，而非仅依赖直接的动作模仿。 作者报告，在两个仿真基准和五项不同的真实世界任务上，OSTRA 相较代表性模仿学习基线取得一致改进，并通过消融支持 OST-Map 与架构设计的贡献。摘要未提供基准名称、任务细节、评价指标、增益幅度及数据划分，实验协议、消融及统计信息尚未验证；对象状态监督的获取方式、图构建与身份维持机制、训练损失、推理开销及代码可用性也需查阅全文确认。 该论文的主要对象是机器人操作，不是神经信号解码。摘要未建立对象状态图与 EEG/BCI 数据之间的具体机制对应，因此暂不提出跨领域迁移或复现实验建议。