厘清机器人操作策略的动作空间设计

基于摘要分析。该研究针对机器人模仿学习中动作空间设计依赖经验规则、不同设计影响尚不清晰的问题，沿时间与空间两个维度系统比较动作表示，考察其对策略可学习性和控制稳定性的影响。主要研究对象是机器人操作策略，而非 EEG 解码或 BCI 算法。 比较涉及绝对动作与增量动作（absolute vs. delta）表示，以及关节空间与任务空间（joint-space vs. task-space）参数化。研究关注的不只是增加训练数据或模型容量，而是动作预测目标本身如何影响学习与执行。摘要未说明增量动作的参照状态、时间间隔、坐标系以及预测结果如何转换为控制指令，这些细节仍需全文核对。 作者报告，研究在四种场景下评估了 500 多个训练模型，并在一台双臂机器人上进行了 13,000 多次真实环境执行（rollouts）。在该评估范围内，作者报告适当设计增量动作预测可持续改善性能；关节空间与任务空间表示则具有互补优势，分别更有利于控制稳定性与泛化。摘要未提供具体指标、改善幅度或各场景结果，因此不能将这些结论扩展为所有任务上的统一优劣排序。 复现时需核对场景与任务定义、训练数据及划分、模型和控制器配置、不同动作表示之间的对照条件，以及稳定性和泛化的测量方式。实验协议、消融及统计信息尚未验证；摘要也未提供代码或数据开放信息。材料未验证这些设计结论对 EEG/BCI 驱动机器人控制的适用性，不能据此推断神经信号解码性能提升。