PAM：本体感受草图作为生成动作策略的长程意图

生成式机器人策略预测短动作块但缺乏显式的长程意图。近期方法通过语言计划、子目标图像或视频预报暴露更长程结构——生成成本高且仍需转化为机器人运动。预测未来机器人运动避免了这种转化，但稠密的时间索引轨迹需要大量参数覆盖剩余任务，且短程下基本重复动作块、对动作生成帮助甚微。我们提出本体感受动作模型（PAM）：在单个transformer去噪器内联合生成紧凑的、不依赖时间的机器人剩余关节空间路径草图与稠密可执行动作块。草图按弧长而非时间参数化路径，捕捉对执行时序不变几何意图。块因果注意力与交错去噪调度维持有向的草图到动作依赖，确保动作token在采样全程以逐步更清晰的草图为条件。仿真中PAM在Push-T与LIBERO-Long上优于仅动作对应物；四个真实双手任务上把成功率从47.5%提升到75.0%。代码/项目页：https://nicehiro.github.io/pam_dp/。