PACER：利用人工纠正学习面向机器人拆解的过程感知 VLA 策略

基于摘要分析。本文研究报废产品机器人拆解中的策略适应问题，提出 PACER（Process-Aware Correction and Evidence Reweighting），利用策略自身执行轨迹与人工纠正，在监督微调（SFT）中对有效动作片段重加权，以应对产品变化、拆解前置顺序及接触密集操作中的精确接近需求。 核心机制是在原有监督动作损失中，依据朝目标推进的进展，以及每条轨迹的来源与结果，为有效动作片段赋予权重。策略自身的执行记录包含接近尝试，人工纠正则提供从策略错误中恢复的示例。PACER 对每种权重设置分别训练一个策略，再通过留出验证选择最终策略；摘要未给出具体权重公式、有效片段判定规则或验证集构造，相关细节尚未验证。 作者报告，在 UR5e 主板拆解、涵盖五类组件的留出基准上，PACER 的接近与交接试验成功次数为 87/100，对照 vanilla post-SFT 为 54/100。该结果对应特定机器人的接近与交接评估，不能扩大解释为完整拆解成功率，也不能据此断言其已解决一般分布偏移问题。 复现时需核对轨迹来源与结果的标注方式、人工纠正采集成本、各权重设置的训练与选择预算，以及训练、验证和留出基准之间的划分关系。实验协议、消融及统计信息尚未验证。本文主要研究对象是机器人 VLA 策略学习，并非 EEG 解码或 BCI；现有材料不足以建立具体迁移路径，已有 EEG 相关工作尚未检索确认。