提示：长视野机器人操纵的人类意图

人类可以通过整体指令执行复杂的操作，同时不断适应不断变化的视觉观察。然而，当前的视觉语言动作（VLA）模型和其他动作策略很难在密集、不断发展的视觉输入和稀疏语言指导下实现这种高级智能行为。然后，视觉相关性可以主导语义意图，导致行动遵循视觉捷径而不是人类目标。我们提出了 HINT（Human-INTent INcepTion），这是一种受人类操作原理启发的代理框架：语义意图在操作模式转换时很少变化，而连续控制主要取决于不断发展的物体与手的关系。 HINT 仅在模式转换时调用语义推理来解决当前的子任务和目标，然后通过多视图基础和视觉跟踪来维持此承诺。我们探索了两种视觉界面——图像空间语义突出显示和注意优先注入——将跟踪的意图传达给动作策略，而无需在基础动作模型中引入额外的可训练参数。三个长期任务和分布外变体的实验表明，HINT 极大地提高了两个基础策略的意图理解、任务进度和端到端成功，同时保持低延迟控制。项目页面：https://robot-hint.github.io/