StableIDM：通过时空细化稳定逆动力学模型以防止机械臂截断

逆动力学模型 (IDM) 将视觉观察映射到底层动作命令，作为具身人工智能中数据标记和策略执行的核心组件。然而，它们的性能在操纵器截断下严重下降，这是一种常见的故障模式，使状态恢复不适定并导致控制不稳定。我们提出了 StableIDM，这是一个时空框架，它可以细化视觉输入的特征，以在这种部分可观察性下稳定动作预测。 StableIDM 集成了三个互补组件：(1) 以机器人为中心的辅助掩蔽，用于抑制背景杂乱；(2) 用于几何感知空间推理的方向特征聚合 (DFA)，它沿着从可见臂推断的方向提取各向异性特征；(3) 时间动态细化 (TDR)，通过运动连续性平滑和校正预测。广泛的评估验证了我们的方法：StableIDM 在 AgiBot 基准的严重截断下将严格动作准确性提高了 12.1%，并将真实机器人重放中的平均任务成功率提高了 9.7%。此外，它在解码视频生成的计划时将端到端抓取成功率提高了 11.5%，在用作自动注释器时将下游 VLA 真实机器人的成功率提高了 17.6%。这些结果表明，StableIDM 为具身人工智能中的策略执行和数据生成提供了强大且可扩展的支柱。