通过动作表征预训练扩展灵巧操作能力

基于摘要分析。本文研究机器人复杂灵巧操作中示范数据稀缺的问题，提出 ARPG（Action Representation Pretraining and Generation），将动作表征学习与任务条件动作生成分离，以减少有限机器人示范同时承担两类学习目标的压力。 方法先利用大规模人类操作数据预训练动作表征编码器，再冻结该编码器，训练参数量为 130M 的紧凑生成骨干，在编码器的表征空间内学习任务条件动作分布。其核心思路是将人类操作数据用于表征预训练，使这部分数据规模成为独立于下游机器人示范的扩展维度。摘要未说明人类操作数据的具体模态、动作编码方式、预训练损失，以及人类与机器人动作空间如何对齐。 作者报告，ARPG 在 DexJoCo benchmark 上达到最先进性能；在双臂灵巧操作评估中，平均成功率由 π₀.₅ 的 10.1% 提升至 44.7%。上述结果的具体任务构成、数据划分和基线配置尚未验证。作者还报告，在嵌套式数据规模实验中，人类操作预训练数据从 10 小时增加至 500 小时，下游表现随之改善；各数据规模下的具体指标、消融及统计信息尚未验证。 该研究的主要对象是机器人动作生成，而非神经信号解码。当前摘要未提供 EEG/BCI 数据与动作表征之间的具体接口或监督对应关系，因此不将其结果外推为 BCI 性能提升，也不据此提出迁移复现实验。复现原方法仍需核对预训练数据、动作表征定义、训练目标、任务条件输入及评估协议；代码与权重的开放情况尚未验证。