斯坦福炒虾机器人Mobile ALOHA的关键技术：动作分块算法ACT的原理解析
内容提要
本文介绍了斯坦福Mobile ALOHA机器人的三个关键技术：ACT、Diffusion Policy、VINN，以及ALOHA开源硬件系统。ACT是动作分块算法，Diffusion Policy解决复合误差问题，VINN用于任务学习。ALOHA是低成本的开源硬件系统，用于远程操作。
延伸解读
ACT如何缓解模仿学习的复合误差
文章指出，行为克隆的主要缺点是复合误差：先前步骤的小误差会累积，使机器人偏离训练分布。ACT通过动作分块预测未来k个时间步的目标关节位置，将任务有效视界缩短k倍，从而减轻复合误差。同时，预测动作序列有助于处理演示中的停顿等时间相关干扰，时间集成则通过对重叠动作块平均来提升策略平滑性。
ALOHA硬件设计的取舍与边界
ALOHA强调低成本、通用性、人性化、可修复和易搭建。它选用两个ViperX 6-DoF机械臂，有效载荷750克、跨度1.5米、精度5-8毫米，单价约5600美元，并采用3D打印手指替代不够通用的OEM手指。文章明确出于价格和维护考虑不使用灵巧手，这说明其低成本定位也伴随着硬件精度和末端执行能力的限制。
从建模环境转向学习策略的思路
文章以打开调味品杯为例说明：精确建模杯盖的接触和变形需要大量研究与任务特定工程，而学习一个闭环策略更简单，因为策略能对杯子和盖子的不同位置做出反应，而非提前预测其如何移动。这解释了为何ALOHA采用从RGB图像直接映射到动作的端到端方法，将难点从环境建模转移到策略学习。
Q&A
斯坦福Mobile ALOHA用到了哪些关键技术？
Mobile ALOHA涉及三大关键技术：ACT（动作分块算法）、Diffusion Policy和VINN。
ACT算法主要解决机器人模仿学习中的什么问题？
ACT主要解决模仿学习中的复合误差问题，即预测动作的小误差会随时间累积导致状态偏差。它通过动作分块预测未来k个时间步的动作序列，将任务有效视界减少k倍，从而减轻复合误差。
ALOHA硬件系统有哪些设计特点？
ALOHA硬件系统具有五个特点：低成本、通用性、人性化、可修复、易于搭建。它使用现成的机器人和3D打印部件，非专业人士可在不到2小时内组装完成。
ACT算法中的时间集成是什么？
时间集成是ACT中用于提高策略平滑性的方法，它更频繁地查询策略，并对重叠的动作块进行平均，从而生成更平滑的轨迹。
为什么ALOHA选择低成本硬件而不是高端机器人？
因为高端机器人成本昂贵且难以设置，而低成本硬件（如每个约5000美元的手臂）能使更多实验室负担得起，同时通过定制远程操作接口和端到端模仿学习，仍能完成高精度任务。
ACT算法在哪些任务上取得了成功？
ACT在现实世界的6项困难任务上取得了成功，例如打开半透明调味品杯和插入电池，成功率达80-90%。
