PACE：按动作阶段自适应选择机器人重规划时机

最近的视觉语言动作和基于扩散的机器人策略经常使用动作分块，其中每个策略查询预测未来动作的序列，并且机器人在重新查询之前执行开环前缀。虽然此接口提高了局部运动连续性，但部署仍然需要选择执行范围：在获取新的观察结果之前应执行每个预测块的多少。然而，我们的实验表明，成功很大程度上依赖于任务，并且在执行范围方面是非单调的，这使得单一恒定范围成为不可靠的部署规则。我们提出了 PACE（阶段感知块执行），这是一种 无需训练 测试时执行方法，可以从预测块本身在线选择执行范围。 PACE 通过识别预测速度曲线中的低速转变点并将其用作候选重新规划边界，利用操纵轨迹的相位相关运动学结构。由于 PACE 仅使用预测的动作块，因此它是即插即用的，不需要重新训练或访问策略内部结构。我们通过模拟和真实机器人设置中的大规模评估来验证 PACE。在 50 个 RoboTwin2.0 任务中，PACE 将平均成功率从 57.8% 提高到 64.2%。在双手ALOHA和单臂Franka平台上的真实机器人实验中，PACE将平均任务得分从60.7提高到77.7，平均成功率从50.7%提高到70.4%。消融和轨迹层面的分析表明，PACE 可以跨操作阶段调整执行范围，在阶段转换附近缩短执行长度，同时在连贯运动期间保持更长的执行时间。