RARA：通过检索锚定的表征对齐实现机器人操作策略的稳健微调

基于摘要分析。本文研究预训练机器人策略在少量示范下适应新操作任务时的表征漂移问题，提出 Retrieval-Anchored Representation Alignment（RARA），通过检索预训练示范并分阶段约束表征，尝试保留预训练知识与分布外泛化能力；主要研究对象是机器人操作策略，而非 EEG 或 BCI。 RARA 包含两个阶段：首先检索与目标任务意图和运动相似的预训练示范，将目标示范的策略表征与所检索示范的预训练表征对齐；随后使用目标示范微调策略，同时限制检索示范的表征在微调过程中的变化。其核心思路是先缩小动作学习前的表征差异，再以检索样本作为锚点抑制不必要的表征漂移。摘要未给出检索相似度定义、表征提取位置、对齐损失或约束权重。 作者报告，在采用 Diffusion Policy 和 GR00T、覆盖 RoboTwin、RoboCasa 及真实机器人共 13 个任务的实验中，相较微调，RARA 的平均成功率在分布内提高 9.5 个百分点、分布外提高 13.6 个百分点，并优于所有参与比较的基线。具体基线配置、任务划分、分布外扰动类型、示范数量及结果聚合方式尚未验证，不能据此判断各任务收益是否一致。 复现需核对预训练示范及其表征的可访问性、检索库构建方式、两个阶段的训练开销，以及对齐和表征保持约束各自的贡献。实验协议、消融及统计信息尚未验证；材料未提供 EEG/BCI 实验，原领域结果不构成 BCI 有效性的证据。