PoLAR：分解机器人策略学习的潜在动作的程度和模式

潜在动作预训练从成对的观察中学习视觉变化的表示，但现有方法通常将每个转换编码为单个非结构化表示，该表示涉及转换范围和转换​​模式。我们引入了带有径向结构的极地潜在动作（PoLAR），它对潜在动作施加径向结构，鼓励半径编码转换范围和方向以保留转换模式。 PoLAR 使用两个观测值之间的时间偏移作为过渡范围的弱代理，鼓励由较大时间间隙分隔的观测对的潜在动作占据更大的半径。我们在双曲空间中实例化这种结构，其体积随半径的扩展为更大范围内更多样化的过渡模式提供了自然的拟合。在任务内和大规模预训练环境中，PolAR 提高了模拟和现实世界机器人实验中的下游策略性能，优于潜在动作基线和强大的预训练 VLA。这些结果表明，潜在动作空间的几何形状是将视觉预训练转移到下游机器人策略学习的重要设计选择。