MoMo：利用时空动作标记化实现机器人操作中的运动模式调节
本文介绍了MoMo，一种两阶段模仿学习框架，通过时空动作标记化和行为克隆变换器，使机器人能够在不同任务中调节运动模式（平稳、动态、中间），从而实现执行层面的变化。在六项真实机器人操作任务中，该方法展现出对未见任务-模式组合的组合泛化能力。
近日，来自麻省理工学院等机构的研究人员提出了一种名为MoMo的机器人操作框架，该框架通过时空动作标记化技术，让机器人能够根据任务需求灵活调整其操作风格，例如平稳、动态或介于两者之间的模式。这一工作以论文形式发表在arXiv预印本上，编号为2607.26315，作者包括Yuhan Hu等六位研究人员。
MoMo框架的核心是一个两阶段的模仿学习流程。第一阶段是时空动作标记器（Spatiotemporal Action Tokenizer），它将机器人连续的动作序列分解为离散的时空标记，从而捕捉动作的局部和全局特征。第二阶段是一个行为克隆变换器（Behavior-Cloning Transformer），它以任务描述和一个连续的运动模式条件作为输入，输出对应的动作序列。这个运动模式条件就像一个旋钮，可以连续调节，让机器人在执行任务时展现出不同的运动风格，从非常平稳到非常动态，以及中间的各种过渡状态。
研究团队在六种真实的机器人操作任务上进行了实验，这些任务包括推、抓取、放置等典型的操作技能。通过在训练时提供不同模式下的演示数据，机器人学会了如何根据给定的模式条件调整其运动。实验结果显示，人类评估者能够清晰地区分出平稳、动态和中间模式下的机器人行为，这些行为在关节速度、加速度以及末端执行器的接近角度上都有显著差异。例如，动态模式下的机器人动作更快、加速度更大，而平稳模式则更缓慢且轨迹更平滑。
更重要的是，MoMo展现出了强大的组合泛化能力。即使某些任务只在一个运动模式下被演示过，机器人也能成功地将未见过的模式迁移到这些任务中，同时保持较高的任务成功率。这意味着运动模式可以作为一种跨任务复用的行为因子，让机器人能够以不同的方式执行同一操作技能，而无需为每种模式单独收集大量的演示数据。这一发现对于减少数据收集成本和提高机器人的适应性具有重要意义。
这项研究为机器人操作中的执行层面变化提供了新的解决思路，使机器人能够更加灵活地适应不同的操作环境和要求。未来，研究团队计划将MoMo扩展到更复杂的任务和更广泛的机器人平台上，并探索自动选择最优运动模式的方法。该工作得到了相关领域的关注，可能对后续的机器人学习、控制和人机交互研究产生积极影响。