ODE 策略：通过动作的动力学而非动作本身学习机器人控制 ODE Policy: Robot Learning via Action Dynamics, Not Actions
用神经 ODE 学习动作的向量场，每个动作由前一个动作积分而来，策略天然连续、高效、平滑。
前置知识
神经常微分方程（Neural ODE）
用一个神经网络参数化连续状态的导数 $\dot{x}(t) = g_\phi(x(t), t)$，轨迹通过数值求解器从 $t_0$ 积分到 $t_1$ 得到；损失对积分结果求梯度时，可以直接穿过求解器步反传，也可以用常数内存的伴随方法反向积分。网络只定义局部变化率，轨迹的连续性与平滑性由积分天然保证。
本文的核心就是把动作本身当作 Neural ODE 的状态：训练时在动作块上积分并监督路径，推理时每个动作从上一个动作单步积分而来。不理解 Neural ODE 的积分、求导机制，就无法理解其路径损失为何不需要动作导数标签、以及伴随方法为何可以避开。
动作分块（Action Chunking）
策略每次处理观测后一次性预测未来 $H$ 个动作并开环执行，由 ACT 与 Diffusion Policy 推广，现已是 π0、GR00T 等大型基础模型的标准配置。研究表明分块能缓解行为克隆的复合误差，开环整块执行常优于逐步闭环更新；但独立预测的块在边界处互不一致，常需时间集成或条件化上一块的已执行动作来缓解。
ODE policy 以块为积分与监督单元（默认 $H=8$），消融显示 $H=1$ 只能到 76.4% 而 $H=8$ 最佳；推理时 seamless chunking 从上一块最后一个动作继续积分。理解分块范式才能理解其训练损失设计和推理流程。
流匹配与扩散策略
生成式策略从噪声源出发，学习一个向量场把源样本沿生成时间 $\tau \in [0,1]$ 搬运到目标动作块，需要多次网络评估逐步去噪；流匹配是扩散的确定性推广，是当前 VLA 动作头的主流选择。关键在于 $\tau$ 是无物理意义的生成时间，中间样本不是机器人可占据的状态。
本文所有核心基线（FM-DiT、FM-UNet、DDPM-DiT、DDPM-UNet）都是流匹配或扩散策略，论文反复对比“沿生成时间积分”与“沿机器人物理时间积分”的本质区别，推理速度、平滑性与学习效率的数字都以此为参照。
向量场与数值积分（Euler/RK4）
向量场为状态空间每一点指定速度 $f(a)$，ODE 的解是从起点沿场“顺流而下”的积分曲线；数值方法用 Euler（单步前向）、RK2/RK4（多次场评估的龙格-库塔法）近似积分，精度与计算量递增。Euler 每步 $\hat{a} \leftarrow \hat{a} + f_\theta(\hat{a}) \cdot \Delta t$。
ODE policy 的策略网络 $f_\theta$ 本身就是一个 FiLM-MLP 向量场，训练用 RK4 积分 $H=8$ 步、推理逐动作单步积分。消融证明 Euler 与 RK4 成功率差不到一个点——收益来自 ODE 形式而非求解器精度，这是理解本文贡献边界的关键。
VLA 与 WAM
VLA（视觉-语言-动作模型）在大规模视觉-语言主干上加动作专家，按语言指令执行操作，代表有 π0.5、GR00T N1.7；WAM（世界动作模型）同时建模环境演化与动作序列，代表有 ImageWAM。二者的动作头传统上都是流匹配专家，通常占数亿参数且需多步去噪。
本文验证 ODE policy 可以即插即换地为 VLA/WAM 提供动作头：在 π0.5 中用 13.7M 参数（约 3%）的随机初始化 ODE 头替换 430M 流匹配专家，仍一 epoch 达 96.0%。这是“收益可扩展到大模型”结论的核心证据。
模型基强化学习与 SuperMimic
模型基 RL 先学一个可微世界模型，训练 actor 时把奖励沿短想象 rollout 反传解析梯度；SuperMimic 用该范式训练人形机器人全身跟踪人类动捕片段（LAFAN1 的 40 个片段），比先进运动跟踪器省 1000 倍以上 GPU 时，其 actor 是从状态到动作的直接映射。
本文把同一个向量场不加修改地用作 SuperMimic 的 actor（$H=1$、每步一次 Euler 积分），证明范式可从模仿学习无缝迁移到强化学习，且因 $\partial \hat{a}_t / \partial \hat{a}_{t-1}$ 含恒等项，梯度沿动作链无衰减地到达早期动作。
研究动机
现有机器人策略——无论模仿学习（IL）还是强化学习（RL）——几乎都遵循“直接动作”范式：编码观测历史与本体状态后，在每个离散控制步直接输出动作数值，动作之间的任何关系（尤其是物理运动的连续性）只能靠数据隐式学习。这带来三类具体问题。其一，连续性缺失：人类遥操作产生的演示本质是连续动作轨迹按控制频率的采样，而网络把块内、块间的动作当作独立数值预测，块边界处指令跳变（如 π0 团队报告的边界不连续），RL 中动作高频振荡浪费控制量、磨损执行器、加剧 sim-to-real 差距。其二，执行低效：生成式动作头（扩散/流匹配）每块需要多次网络评估，扩散策略在 20 Hz 控制器下甚至超出单块 400 ms 的预算，且必须整块生成完才能执行第一个动作，无法流式响应新观测。其三，学习低效：LIBERO 上流匹配/扩散策略训练一个 epoch 后几乎还没学会（最佳基线 ACT 一 epoch 仅 43.2%），需要上百 epoch 才收敛；而机器人数据在本体、质量、控制接口上高度异构，无法像互联网文本那样无限扩展，对数据、参数与训练时间的高需求成为规模化瓶颈。
本文的目标是作者的目标是构造一种在学习、数据、参数与执行四个维度都高效的机器人策略范式。核心洞察是：机器人是宏观经典系统，随时间连续运动；指挥它的动作（尤其人类遥操作指令）本身也基本连续，演示不过是连续动作轨迹的采样。既然如此，与其让网络从数据中隐式学习连续性，不如把“动作如何随机器人物理时间演化”显式建模。具体目标包括：同一公式不加修改地充当三种角色——视觉运动策略、VLA/WAM 的动作头、RL 的 actor；IL 中以短动作块为积分单元做监督，从而规避全轨迹积分的漂移与昂贵的伴随方法；推理时每个动作从上一个动作积分而来，使执行轨迹“由构造保证连续”，块边界无跳变、支持流式执行、积分步长成为部署期自由参数；同时保留多模态行为能力。验证标准是与 14 个先进基线在 LIBERO/LIBERO-plus、π0.5、ImageWAM、SuperMimic 以及单臂/双臂/灵巧手/人形四类真机的 14 个任务上对比，且所有方法共享相同的骨干、数据与训练日程。
与已有工作不同的是，本文的独特切入是把 ODE 的建模对象从“系统状态”或“生成时间”换成“动作本身”，并给出三条与以往工作本质不同的设计。第一，与传统动力学建模仿不同于：动力学运动基元（DMP）、稳定动力系统、神经动态策略等预先固定向量场形式或强迫其收敛到吸引子，每个模型只能表达朝向少数吸引子的动作；本文让网络本身就是任意向量场，不加结构约束，一个场覆盖大规模多任务。第二，与生成式策略不同：扩散/流匹配沿生成时间 $\tau \in [0,1]$ 积分，中间点无物理意义且每块独立重新生成；streaming flow policy 虽把流时间对齐执行时间，但仍是回归演示推导出的速度标签并按缩放时间段重新生成每块；Chronos 把物理时间作为输入但动作仍按固定速率生成。本文沿物理时间积分、只监督积分路径（无需速度标签）、每块从前块末端无缝续接。第三，结构性的新可能：因为场以当前动作为输入，可以设计直接动作策略没有对应物的收缩扰动训练；模态选择也只需随机化积分的出发方向，无需多步生成采样。
核心方法
直觉来自神经科学：运动皮层通过动力学而非编码目标产生运动，人类伸手也接近最小急动度轨迹——动作的“变化规律”比动作数值更本质。据此，ODE policy 把策略定义为动作对物理时间的导数场 $\dot{a}(t) = f_\theta(a(t), s_t, z_t)$，$z_t$ 编码图像历史与语言指令，$s_t$ 是本体状态（直接进场而非并入条件）。训练时（IL）从演示动作 $a_{t-1}$（以概率 $p$ 加收缩扰动 $\delta \sim \mathcal{N}(0, \mathrm{diag}(\sigma_\delta^2))$）出发，用 RK4 对块内 $H=8$ 步积分，以路径损失 $\mathcal{L}_{\text{path}} = \frac{1}{H}\sum_{k=0}^{H-1}\|\hat{a}_{t+k} - a_{t+k}\|^2$ 监督整条积分路径，梯度直接穿过求解器反传、无需伴随方法。推理时每个动作由前一个动作单步积分而来并立即下发（流式执行），块间 seamless 衔接；可选多样性头 $h_\psi$ 输出方向偏移 $\epsilon$ 与逐步速率 $\lambda_k$ 把场“倾斜”向某个模态。RL 时 $H=1$，actor 每步做一次 Euler 积分，世界模型、critic 与算法全部不变。
核心创新是“学动作的动力学，而不是动作的数值”——把动作连续性从数据的隐式统计量变成模型的构造保证。与直接动作策略的本质区别有三。其一，块内所有动作由同一个向量场沿路径积分生成：$\hat{a}_{t+k} = \hat{a}_{t+k-1} + \int_{t+k-1}^{t+k} f_\theta(a(t'), s_t, z_t)\, dt'$，每步变化取决于动作当前到达的位置；传统策略则把 $H$ 个动作当作独立输出，连续性须从数据学。其二，积分的状态是发给低层控制器的期望动作而非量测状态（低层控制器跟踪有滞后），推理时 seamless chunking 从上一块最后一个期望动作继续积分，执行轨迹成为每 $H$ 步刷新条件的单一积分曲线——消融显示改回从量测状态重启后一 epoch 成功率从 79.8% 跌到 47.8%，边界跳变 3–4 倍。其三，场以动作为输入，使收缩扰动成为可能：训练时扰动段起点，要求路径按 $\rho^{k+1}$ 几何衰减收回示范，教会场把偏离状态拉回，形成局部收缩；这是不以指令动作为输入的直接动作策略没有对应物的鲁棒化手段。多模态则由“随机化场的出发方向”实现：一个每块固定的偏移 $\lambda_k \odot \epsilon$ 即可把整条积分曲线推向另一条路线，无需多步生成采样。
方法步骤详情
训练（Algorithm 1）：取示范段 $(c_t, s_t, a_{t-1:t+H-1})$，以概率 $p$ 给起点加扰动 $\hat{a}_{t-1} = a_{t-1} + \delta$，从 $\hat{a}_{t-1}$ 用 RK4 对场积分 $H=8$ 步得路径 $\hat{A}_t$，计算收缩扰动损失 $\mathcal{L}_{\delta\text{path}} = \frac{1}{H}\sum_{k}\|\hat{a}_{t+k}(a_{t-1}+\delta) - (a_{t+k} + \rho^{k+1}\delta)\|^2$，加上多样性损失后在小批上联合最小化。多样性损失：头 $h_\psi$ 从场特征（梯度截断）读出 $K=12$ 分量高斯混合，采样方向 $\epsilon$ 与速率 $\lambda_k$，按 $\dot{a} = f_\theta + \lambda_k \odot \epsilon$ 积分；用示范对朴素路径的偏离 $e_k = \mathrm{sg}(a_{t+k} - \hat{a}_{t+k})$ 的闭式最优偏移 $\epsilon^* = \sum_k \Lambda_k \odot e_k \oslash \sum_k \Lambda_k \odot \Lambda_k$ 做高斯负对似然监督，两端 detach、不干扰 $f_\theta$ 的梯度。推理（Algorithm 2）：每个决策步编码一次 $z_t$，对 $k=0..H-1$ 循环执行 $\hat{a} \leftarrow \mathrm{Step}(f_\theta, \hat{a}, s_t, z_t)$ 单步积分并立即发送控制器（流式），下一块从当前 $\hat{a}$ 无缝续接。RL：$H=1$，每控制步 $\hat{a}_t = \hat{a}_{t-1} + f_\theta(\hat{a}_{t-1}, s_t, z_t)$ 单 Euler 步，$z_t$ 嵌入参考运动，场经此步接受 RL 梯度；LIBERO 上二值夹爪由独立 0.27M 分类头预测。
技术新颖性
新颖性有四层。第一，问题重构：从“策略 = 观测到动作值的映射”变为“策略 = 动作空间的向量场”，积分时间从无物理意义的生成维度变为机器人物理时间；该思想与运动皮层通过动力学展开运动的神经科学观点呼应，但工程上首次在不加结构约束下把它统一到大规模多任务、VLA/WAM 动作头与 RL actor。第二，训练设计：以块为积分单元，同时规避全轨迹积分的误差累积与伴随方法的额外积分开销；路径监督而非速度回归，区别于 streaming flow policy（需从演示推导速度标签、会放大噪声抖动）；收缩扰动利用“场以指令动作为输入”的结构差异实现示范流形附近的局部收缩，不增加数据或推理成本（一 epoch 58.4%→79.8%）。第三，推理设计：seamless chunking 加逐步流式发送，使同一模型兼得单次前向的速度（5.7 ms/块）与生成式策略的质量，且积分步长成为部署期自由参数——20 Hz 模型不重训即可 40/80 Hz 执行（93.3%/92.5%）。第四，消融证明收益来自 ODE 形式而非容量或求解器：1.5M 模型（92.5%@ep10）超过 48M FM-DiT（至多 87.5%），Euler 与 RK4 成功率差不到一个点。
实验结果
学习效率（Fig. 4）：LIBERO 四套件三种子，一 epoch 即 79.2%（最佳基线 ACT 43.2%），2 epoch 过 85%（早于流/扩散一个数量级），100 epoch 93.8%；20 条演示/任务达 87.7%，超 FM-DiT 全量 50 条的 85.4%；1.5M 参数模型 92.5%@ep10 超 48M FM-DiT 上限 87.5%。规模化（Fig. 5）：π0.5 中 13.7M 随机初始化 ODE 头（约原 430M 专家的 3%）一 epoch 96.0% vs 随机初始化 FM 专家 75.5%；ImageWAM（4.5B 参数）一 epoch 82.6% vs 原 FM 头 24.6%。推理与平滑（Fig. 7/8/15）：8 动作块 5.7 ms，比 FM-DiT 快 10.8 倍、比 DDPM 快约百倍（后者超 20 Hz 的 400 ms 预算）；π0.5 头快约 14 倍、省全模型约三分之一时间，边界指令变化减半；真机块生成快 3.5–27 倍，多数任务比人类演示更平滑（单臂边界加速度 3.6/1.1/2.5/2.2 rad/s²，扩散/流基线 8.3–26.0）。RL（Fig. 6）：SuperMimic 换 ODE actor 后 0.75 h 训练回报 0.630±0.007 vs 0.460±0.008（+37%），0.4 h 评测回报领先 30%，最终 0.885 vs 0.845（PPO 仅 0.452）；动作加速度低 21%、不到 PPO 一半，源于首动作相对梯度范数从 0.57 升至 1.0–1.1。泛化（Fig. 9）：LIBERO-plus 零样本一 epoch 30.1%（ACT 22.6%），ImageWAM 一 epoch 70.5% vs 17.1%。多模态（Fig. 10）：四路导航一 epoch 模式平衡 $\gamma$ 为 FM-DiT 的 3.9 倍。真机（Fig. 11–14）：单臂 Franka FR3 四任务 95/90/75/70% 全部最高（+20/+15/+35/+50 pp）；双臂微波炉 75% vs 20%（仅 34 条演示），插花 60% vs 40%；灵巧手跨实验室 SharpaDex 迁移 85%/85%/65%（FM-DiT 0/50/0%，DDIM 全 0）；人形 GR00T N1.7 两任务 60%/70% vs 35%/30%。延伸（Fig. 19）：只用量测姿态训练时把场速度喂给 PD 阻尼项，LIBERO-Long 51%→72%（FM-DiT 24%），成功 episode 305→253 步，但 Spatial 90%→80%；同一模型改积分方式即可 40/80 Hz 执行（93.3%/92.5%）。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| LIBERO 视觉运动模仿学习（4 套件，3 种子） | 训练 1 epoch 后成功率 | 79.2% | 最佳基线 ACT 43.2%（流/扩散策略近乎 0） | +36.0 pp（约 1.8×） |
| LIBERO 视觉运动模仿学习 | 训练 100 epoch 后成功率 | 93.8% | FM-DiT / DDPM 等生成式基线（全程被领先） | 全程领先，最终收敛点更高 |
| π0.5 VLA 动作头（LIBERO） | 1 epoch 成功率 | 96.0%（13.7M 随机初始化头） | 随机初始化 FM 专家 75.5%（430M） | +20.5 pp，参数约 3% |
| ImageWAM 动作头（LIBERO） | 1 epoch 成功率 | 82.6% | 原始流匹配头 24.6%（A2A 居中） | +58.0 pp |
| LIBERO-plus 零样本泛化（ImageWAM） | 1 epoch 成功率（2008 实例） | 70.5% | 原始头 17.1% | +53.4 pp |
| SuperMimic 人形运动跟踪（RL，40 条 LAFAN1） | 0.75 h 训练回报 | 0.630±0.007 | 原直接动作 actor 0.460±0.008 | +37% |
| SuperMimic 人形运动跟踪（RL） | 3 h 后全部片段评测回报 | 0.885±0.007 | 原 actor 0.845±0.009；PPO 仅 0.452±0.021 | +0.040（对 PPO 近 2×） |
| LIBERO 推理速度 | 每 8 动作块生成时间 | 5.7 ms（Euler） | FM-DiT 10.8× 慢；DDPM 约 100× 慢（超 400 ms 预算） | 10.8×–100× 加速 |
| 真实单臂 Franka FR3 四任务（装箱/挂钥匙/叠袜/插块） | 成功率（20 次试验，40 演示、50 epoch） | 95% / 90% / 75% / 70% | 最佳基线 75% / 75% / 40% / 20% | +20 / +15 / +35 / +50 pp |
| 真实双臂 Galaxea R1 Lite 微波炉任务 | 成功率（34 条演示） | 75% | FM-DiT 20%（扩散策略 0%） | +55 pp |
| 灵巧手 Sharpa 跨实验室迁移（SharpaDex 数据，翻转杯子/倒药丸/叠方块） | 成功率 | 85% / 85% / 65% | FM-DiT 0% / 50% / 0%；DDIM-UNet 全 0% | 最高 +85 pp |
| 人形 Unitree G1 loco-manipulation（GR00T N1.7 动作头） | 成功率（玩具入箱 / 微波炉） | 60% / 70% | GR00T 原头 35% / 30% | +25 / +40 pp |
| 2D 四路导航多模态任务 | 模式平衡 γ（1 epoch） | 3.9× FM-DiT，且成功率更高 | FM-DiT（A2A-DiT γ=0 只学内侧两路） | 3.9× |
| LIBERO 量测姿态训练 + 速度反馈执行 | LIBERO-Long 成功率 | 72%（ODE PD+速度） | ODE PD 51%；FM-DiT 24% | +21 pp |
局限与改进
作者承认的局限：第一，ODE 天然描述连续信号，二值夹爪不适合放进场里——把夹爪作为场的附加状态积分并在执行时取符号，成功率从 79.2%/95.0%/92.8%（epoch 1/5/10）降到 74.5%/91.8%/92.2%，主要输在需反复抓放的 LIBERO-Long（仍超所有基线）；第二，在动作本身应跳变的场景（早期无模型 RL 实验）收益很小甚至有害，因为连续性也平滑了探索；第三，用场速度加速执行存在速度-精度权衡，LIBERO-Spatial 从 90% 降到 80%，速度需按任务相位调制。我自己的观察：其一，方法假设低层控制器能较好跟踪期望动作、且演示本身连续，对本质离散或接触突变信号只能靠独立分类头规避而非解决；其二，块内 $z_t$、$s_t$ 固定，观测更新频率受 $H=8$ 限制，高频视觉闭环任务（动态目标、避障）未验证；其三，RK4 训练到 100 epoch 需 22.8 h vs FM-DiT 16.3 h，存在训练时间换学习速度的成本（Euler 可降到相当）；其四，LIBERO-plus 中相机位姿变化击败所有方法，ODE 形式不解决视觉鲁棒性；其五，多模态依赖分量数 $K$（K=4 分不开四条路）等超参，真机多模态只验证了双臂角色分配一种情形。
独立分析的弱点
弱点一：离散/不连续动作建模弱，夹爪并入场导致反复抓放任务掉点（79.2%→74.5%@ep1）；改进：引入学习型事件函数或带跳跃项的神经 ODE，让场在抓取/释放事件处允许受控跳变。弱点二：速度反哺控制器伤精度任务（Spatial 90%→80%）；改进：对场输出乘以任务相位相关的标量 $\alpha(t)$，自由空间快、接近接触慢，由接触预测头给出，向量场框架下天然可表达。弱点三：块内观测冻结、闭环频率受限；改进：缩短块长（H=4 仍超 91%）或块内对新观测插值刷新条件、异步更新 $z_t$。弱点四：RK4 训练开销（22.8 h vs FM-DiT 16.3 h）；改进：默认 Euler/RK2 训练（成功率差 <1 点）、部署按需升级求解器，或自适应步长把算力集中于接触段。弱点五：多模态超参敏感，K=4 时导航任务 $\gamma$ 跨种子方差大；改进：用 Dirichlet 过程让分量数自动增长，或先聚类演示模态再定 K。弱点六：无模型 RL 中探索被平滑甚至有害；改进：仅对奖励本就惩罚动作变化的任务启用 ODE actor，或在场的初始方向注入可控噪声并配合熵正则。弱点七：块间条件固定意味着纠错周期为 H 步，长程误差仍会累积（双花插入第二支全方法都难）；改进：按块间置信度自适应提前重规划。
未来方向
作者提出的方向：其一，把场速度喂给 PD 控制器阻尼项，使策略能从只有量测姿态的数据（UMI 手持采集、人类视频）学习并保持演示节奏——Long 51%→72%、成功 episode 305→253 步，且速度可按任务相位调制（自由空间快、接触附近慢），向量场表达自然而直接动作策略很难；其二，积分步长成为部署期参数，一个模型服务不同频率的低层控制器（40/80 Hz 达 93.3%/92.5%），甚至在线自适应细化接触附近的步长；其三，用学习型事件函数与跳跃项纳入不连续动力学；其四，“动作为展开的意图”——策略或许只需在模态分叉等少数关键点做离散决策，其余交给学到的动力学展开。基于成果可延伸：跨本体、跨控制频率的统一基础策略（结合跨实验室 SharpaDex 迁移 85%/85%/65% 对基线至多 50%，指向一次训练、多机部署）；与 WAM 世界预测结合，让场条件于想象出的未来状态实现模型预测式平滑规划；把收缩扰动推广为示范流形上可学习的收缩率（逐任务 Lyapunov 式设计）；RL 中在场初始方向注入可控噪声以兼得探索与平滑；系统层面，ODE 头使动作生成从 VLA 推理瓶颈变为可忽略（π0.5 省约三分之一全模型时间），可把算力重新分配给 VLM 主干做更高频重规划或蒸馏进边缘设备。
复现评估
论文首页标注 Project Page 与 Code 链接，代码开源。仿真部分门槛低：LIBERO、LIBERO-plus、LAFAN1、SharpaDex 均公开，基线 FM-DiT/DDPM/A2A-DiT/ACT/π0.5/ImageWAM/GR00T N1.7/SuperMimic 大多有公开实现；LIBERO 单次训练在一张 RTX 4090 上到 100 epoch 约 16.3–22.8 小时（可八跑并行），RL 仅 3 小时单 GPU，三种子完全可承受。真机部分门槛较高：需 Franka Research 3、Galaxea R1 Lite、Sharpa North、Unitree G1 四类硬件，每任务自采 34–90 条遥操作演示，推理用 RTX 5080/5090/4090；不过单臂部分（40 条演示、50 epoch）在拥有单臂与遥操设备的普通实验室即可复验，灵巧手跨设置迁移还可直接用公开 SharpaDex 数据。关键实现细节较全：H=8、RK4、K=12、FiLM-MLP 场、扰动幅度与收缩率 $\rho$、π0.5 中 13.7M 头结构、GR00T 上 5M 场与 H=16 Euler 等，附录含全部基线设置与训练日程。综合：仿真复现难度入门级，真机复现难度进阶级，主要成本在硬件与演示采集而非算法调参。
论文图表
展示 ODE policy 的统一形态在五类场景中的应用照片：(A) 单臂灵巧操作、(B) 双臂机器人操作、(C) 五指灵巧手操作、(D) 强化学习训练的仿真人形跟踪人体运动、(E) 人形机器人 loco-manipulation。同一个公式无需修改地充当视觉运动策略、VLA/WAM 的动作头和 RL 的 actor。
一图总览论文的研究范围与最大卖点——统一性与跨本体泛化，帮助读者在进入技术细节前理解“一个场，五种形态”的整体图景。