AxisGuide 是一项由 Jiyun Jang 等八位作者提出、并被 RSS 2026（Robotics: Science and Systems）接收的研究工作，论文以 arXiv:2606.06761 发布，提交时间为 2026 年 6 月 4 日，属于机器人学（cs.RO）方向，同时涉及人工智能（cs.AI）。该研究关注的是视觉运动操作策略中一个常被忽视却十分关键的短板：模型能“看懂”场景，却未必“看懂”动作。
近年来，通过大规模行为克隆训练的视觉运动操作策略在语义场景理解方面表现突出，能够识别物体和任务目标。然而，作者指出，这类策略在分布偏移下往往无法稳定执行正确的底层动作。一个典型的例子是简单的抓取任务：当场景布局、相机视角和光照条件都保持不变，仅仅把物体放到训练中未见过的位置，策略性能就可能明显下降。这种失败并非源于视觉识别能力不足，而是源于对动作本身理解不充分。
论文将这一差距归结为“动作理解不足”，具体而言，是策略无法在图像空间中正确解读机器人基座坐标系下的动作系统。换句话说，模型难以把图像像素与“沿 +x、+y、+z 方向移动意味着什么”建立明确联系，因此在需要精确空间推理的场合容易出错。
为解决这一问题，作者提出了 AxisGuide，一种轻量级引导方法，旨在打通语义场景理解与动作坐标解释之间的断层。该方法利用相机参数和末端执行器位姿，在每个相机视角中渲染机器人基座坐标系的坐标轴，并在原始 RGB 观测上附加少量提示通道，直观地展示 +x、+y、+z 运动在图像空间中的含义。这样一来，策略在学习时就能获得显式的动作坐标线索，而不再需要完全从数据中间接推测动作与像素的对应关系。
作者在 LIBERO 仿真环境和真实世界环境中进行了大量评估。结果表明，AxisGuide 带来了显著的性能提升，并改善了泛化能力。研究结论强调，显式的动作坐标提示对于学习可靠且可迁移的通用视觉运动策略具有重要价值，为提升机器人操作策略在分布偏移下的鲁棒性提供了一条简洁而有效的路径。