在机器人学习领域，通过收集多种形态和环境下的数据进行行为克隆训练已成为实现通用策略的主流方法。然而，不同机器人的动作与自身动力学特性紧密耦合，相同的运动目标可能需要完全不同的控制指令，这严重阻碍了策略的跨机器人迁移。针对这一问题，研究团队在arXiv预印本上发表了论文《SPACE: Enabling Learning from Cross-Robot Data Toward Generalist Policies》，提出了一种名为SPACE（State Prediction and Adaptive Command Execution）的框架。
SPACE框架的核心创新在于使用笛卡尔状态增量作为通用的动作表示。该框架由两个关键组件构成：一是笛卡尔状态增量策略，它预测末端执行器在几何空间中的位移；二是动作适配器，负责将预测的笛卡尔状态增量转换为特定机器人可执行的控制命令。这种设计使得策略能够在三个层面适应动力学的变化：不同形态的机器人、同一形态的不同硬件单元，以及单个机器人在运行过程中的动态变化。
研究团队在多项实验中验证了SPACE的有效性。实验涵盖了多种机器人形态，包括机械臂和移动机器人等，以及同一型号的不同硬件单元。结果表明，当使用跨形态和跨硬件单元的数据进行训练时，SPACE显著优于直接预测控制指令的传统方法。此外，SPACE在部署阶段对动力学变化（如控制频率、负载重量和控制器增益的改变）表现出出色的鲁棒性。该工作的项目页面已开放，以促进社区进一步探索。
该研究由Haeone Lee等五位作者共同完成，论文提交于2026年6月23日。目前项目页面（http://haeone.site/space-website/）提供了更多详细信息，包括代码、数据和媒体资源。SPACE框架的提出为机器人学习中的数据扩展难题提供了一种有效解决方案，有望降低对大规模特定机器人数据的需求，推动通用机器人策略的发展。