ChunkTrust：利用行动专家证据调整机器人策略的执行范围

机器人基础策略预测动作块，但在重新计划之前执行多少动作取决于当前任务阶段。我们引入了 ChunkTrust，它将执行范围视为从行动专家证据推断出的潜在变量，而不是固定的超参数。其免训练的动作感知水平选择器 (AHS) 将生成轨迹的块内频谱稳定性与执行历史和预测动作之间的块间连续性结合起来。具有内核遗忘功能的在线 Beta 后验跟踪重新计划中的水平偏好。轻量级的基于查询的 Horizon 适配器 (QHA) 可以选择从补充证据中学习上下文条件密集先验，与当前证据和事件本地 Beta 内存融合，同时基本策略保持冻结。在 RoboTwin2.0 和 RoboCasa GR1 Tabletop 中，AHS 提高了每个评估的基本策略配置的总体任务平均成功率，包括在所有 50 个 RoboTwin2.0 任务中 $π_{0.5}$ 上增加了 +6.80 个百分点，在 RoboCasa 中的 Qwen3GR00T 上增加了 +9.67 个百分点。在八项任务 $π_{0.5}$ 评估中，AHS+QHA 将相对于 Base 的增益提高到 +9.44 个百分点。在四项现实世界的家务任务中，AHS 将同等任务平均归一化过程得分从 50.4% 提高到 57.5%。消融检查了证据术语、时间记忆和先验知识的贡献。项目页面为https://hf618.github.io/ChunkTrust.github.io/