PhasePlan：机器人大脑模型的有序未来阶段规划

机器人大脑模型集成了视觉、语言和机器人状态，以生成复杂操作任务的动作。大多数预测可能跨越多个任务阶段的固定长度动作块。这可能会掩盖阶段转换并有利于频繁的动作模式，从而损害动态环境中的动作时机。我们提出了 PhasePlan，一种用于机器人大脑模型的有序未来阶段规划方法。根据当前的多模态观察，它预测每个未来行动位置的任务阶段。由此产生的规划表示影响相应的操作，从而保持任务进度和操作生成之间的时间一致性。训练首先学习规划器，然后在动作模型适应期间冻结它以保持稳定的阶段表示。我们在预训练的 $π_{0.5}$ 和 AcrossWAM1.0 机器人大脑模型上实例化 PhasePlan 。详细的定量评估使用$π_{0.5}$实现。在传送带操作方面，相对于原始 $π_{0.5}$ 模型，PhasePlan 将离线联合动作误差减少了大约 22.5\%。它还改进了阶段转换建模和跨阶段动作预测。这些结果证明了有序的未来阶段规划对于持续行动生成的价值。