TeCH：通过对比表征学习进行时间距离建模，用于人形机器人全身控制

基于摘要分析。本文研究高自由度人形机器人的全身控制，提出无监督方法 TeCH，在 TemporaL Distance Representation（TLDR）的对比学习框架上，通过潜在时间距离建模构造稠密奖励，以引导结构化探索，目标是降低对手工奖励的依赖并改善控制泛化。 机制与对照：摘要将依赖手工奖励的 PPO 等 on-policy 强化学习方法，以及 Forward-Backward（FB）表征学习和 TLDR 作为背景。作者认为 FB 的线性 MDP 假设限制了其在复杂、接触密集场景中的适用性，并可能导致表征不稳定。TeCH 则以时间距离表征连接潜在空间与探索奖励；但距离的具体定义、对比样本构造、损失形式以及相对 TLDR 的实质改动尚未验证。 结果与证据边界：作者报告，在仿真与真实机器人实验中，TeCH 支持高精度零样本动作跟踪和目标到达，并具有较好的数据效率、跟踪精度与泛化能力。摘要未提供机器人型号、训练数据规模、零样本评估边界、对照配置或定量指标，因此尚不能判断收益幅度及适用范围；实验协议、消融及统计信息尚未验证。 适用性：本文主要对象是人形机器人运动控制，而非 EEG 解码或 BCI。其方法依赖可用于学习时间距离的状态轨迹及控制交互，但具体数据结构与采样机制尚未明确。当前材料不足以建立其与 EEG 瓶颈的具体机制对应，不据此推断 BCI 有效性；已有 EEG 相关工作尚未检索确认。