跳到正文
EMBODIED INTELLIGENCE · 示教与动作模型

动作不是一串数字，而是一份身体、坐标和时间的合同

同样的七个数，可以表示关节角，也可以表示末端平移、旋转与夹爪。动作模型能否接上机器人，取决于控制量、参考坐标、单位、时间和归一化是否一致。再理解动作分块，就能分清预测了多远、执行了多久，以及何时重新观察。

机械臂的关节转动和末端移动轨迹并列出现，提示同一个任务可以用不同动作接口描述。
直觉总览：机械臂的关节转动和末端移动轨迹并列出现，提示同一个任务可以用不同动作接口描述。 生成插画不承载精确结构、尺寸或安全保证，正文机制图为准。 查看原图 ↗
01 · 先问这些数交给谁

目标位置、速度和力矩不是同一种命令

“向前一点”只有在知道谁的前方、移动多远、花多长时间时，才是一条可执行指令。模型输出亦然。向机器人接口发送维度正确的数组，仅证明格式能被接收，不证明它代表正确运动。

JOINT

关节空间

动作可以是各关节目标角度、角速度或力矩。目标角度通常交给底层位置控制器；力矩命令则要求另一套反馈、动力学与保护能力。不同本体的关节顺序、范围和耦合不能直接互换。

CARTESIAN

末端空间

描述夹爪的位置与朝向，或它们的增量。中间仍需逆运动学或任务空间控制，把目标转换为关节运动；目标可能不可达、接近奇异点或存在多个解。

HYBRID

组合接口

机械臂位姿加夹爪开合、底盘速度加机械臂动作，都是常见组合。各字段单位不同，离散开合与连续宽度也不能混用；动作维度不是模型能力的直接度量。

自由度（Degree of Freedom，DoF）描述独立运动变量。一个六维末端位姿加一个夹爪变量可以形成七维动作，但这并不意味着机器人有七个旋转关节。反过来，七关节机械臂也可能使用六维末端目标，让控制器处理冗余姿态。

  1. 策略输出

    产生约定表示的动作；此时可能仍是归一化数值或离散编码。

  2. 解码与变换

    反归一化，转换单位和坐标，并核对本体及控制模式。

  3. 约束与控制

    检查可达性、限位、时效及其他约束，生成底层参考或控制量。

  4. 驱动与测量

    执行器响应，传感器报告实际状态；命令不等于实际到达。

这是接口分层示意，不要求每个系统都有独立进程。真实系统应明确每一项职责由谁承担，不能让多个组件重复变换或漏掉检查。
02 · 相同数值可能指向不同方向

绝对值、相对值和参考系必须一起定义

ptargetB=ptB+ΔpB,ΔpB=RBEΔpEp_{\rm target}^{B}=p_t^{B}+\Delta p^{B},\qquad \Delta p^{B}=R_{BE}\Delta p^{E}
B 为基座坐标，E 为末端坐标，R_BE 把末端系中的向量旋转到基座系。该式只展示平移增量；完整位姿还要明确旋转的表达、组合方向和参考时刻。

教学例：夹爪坐标系从与基座对齐的位置，按右手系绕基座正 z 轴旋转 +90°，在自身正 x 方向移动 1 cm，对应基座正 y 方向移动 1 cm。若直接把向量 (0.01,0,0) 当基座位移发送，动作就转错了方向。这里没有模型精度问题，而是接口语义错误。

相对动作还要区分“相对当前观测状态”“相对上次目标”以及“相邻预测点之间的差”。设初始位置 0.20 m，预测两项 [0.01,0.02] m：若都是相对初始位置，目标为 0.21、0.22 m；若是逐步增量，目标为 0.21、0.23 m。不能只看到 delta 一词就默认逐项累加。

旋转更不能随便逐项相加。欧拉角依赖旋转顺序并存在奇异性；四元数必须满足单位长度且 q 与 −q 表示同一旋转。采用旋转矩阵或连续表示也仍需保证解码后是合法旋转。应先确定数据与控制器使用的约定，再选择训练损失，而不是把所有字段当普通标量处理。

a~j=aj−μjσj,aj=σja~j+μj\tilde a_j=\frac{a_j-\mu_j}{\sigma_j},\qquad a_j=\sigma_j\tilde a_j+\mu_j
这是逐维标准化的教学例，σj 必须为正并由训练数据约定。实际模型也可能采用分位数缩放或区间缩放，不能未经检查就套用此式。

若某一维的 μ=0.02 m、σ=0.01 m，模型输出 0.5，解码后是 0.025 m，不是 0.5 m。跨数据集运行时，需要匹配训练时的统计、动作掩码和夹爪约定。OpenVLA 仓库中的动作反归一化接口就是一个具体例子；选错统计集会让正确格式对应错误物理量。

03 · 预测一段，不等于盲走一段

动作分块有三个不同的时间尺度

动作分块（Action Chunking）一次预测未来 H 个动作。它可以表达连续运动之间的关联，减少每一步都重新做完整决策的开销；但仍需决定每次实际执行多少步 K，以及何时根据新观察重新预测。底层控制器还可能以更高频率跟踪这些参考。

Tpredict=H/f,Texecute=K/f,1≤K≤HT_{\rm predict}=H/f,\qquad T_{\rm execute}=K/f,\qquad 1\le K\le H
假设等间隔命令以 f Hz 应用，H 个命令槽覆盖 H/f 秒，执行 K 个槽后重规划。若只计算首末采样点的时间跨度，则是 (H−1)/f，二者口径不同。
三种频率 · 本文教学设定

20 Hz 的动作，不代表模型每秒只推理 20 次或必须推理 20 次

设动作参考为 20 Hz，H=16、K=4，则预测窗口覆盖 0.8 秒，执行窗口为 0.2 秒；不计额外延迟时每秒约更新 5 次动作块。底层关节控制可以独立运行。若同步推理还需 80 ms，实际更新节奏不能再直接宣称是 5 Hz；异步推理则要处理旧块与新块的时间对齐。

2023 年 ACT 项目页展示的真实机器人设置是 50 Hz 关节位置动作、固定块长 90。那是该实验的设置，不是所有 ACT 实现的默认值。ACT 还可对不同时刻预测、但指向同一执行时刻的动作做时间集成；集成应对齐目标时刻，而非直接平均两段不同时间的数组。原项目。

块越长不总越好：它有利于表达连贯行为，却可能包含已过时的环境假设。K 较小意味着更频繁使用新观察，但增加推理需求；K 较大减少调用，却延长策略层未修正的时间。安全停止与关键传感反馈不能等整块执行完才处理。

04 · 让错误在接上电机前暴露

先验证动作合同，再讨论模型成功率

建议为每套数据与模型保存可核对的接口清单：本体标识、关节顺序、控制模式、坐标系、单位、旋转格式、相对基准、动作采样频率、归一化参数、夹爪方向、有效时间和限值。这里的“合同”是工程约定，不是某个统一协议的名称。

  • 用已知动作做编码—解码往返测试，确认单位和尺度不变。
  • 用基座与末端不平行的测试姿态检查坐标方向；轴对齐时错误可能被掩盖。
  • 输入已过期时间戳、越界值和非数值，验证拒绝行为，而非让驱动器猜测。
  • 先在日志回放、仿真或不驱动执行器的模式下检查输出，再按设备规范进行受控验证。

对不同机器人，共享“把物体放进盒子”的语义相对容易，共享同一组关节动作则未必有意义。跨本体模型需要本体条件、统一动作接口、转换层或各自解码器等设计；把不同数据补零成同样长度，只解决张量形状，不解决物理含义。

KNOWLEDGE CONNECTIONS

把这一层放回完整机器人

返回具身智能知识地图，或沿本专栏继续展开：

RESEARCH LEDGER

一手来源与证据边界

优先使用论文、官方文档、官方模型卡和代码仓库。页面中的数字只代表来源所述设置，不自动外推到其他模型与数据。

A01
LeRobot Action Representations官方文档 · 查询于 2026-10-20

绝对、相对动作表示与动作处理接口。

 A02
Learning Fine-Grained Bimanual Manipulation with Low-Cost HardwareZhao et al. · RSS 2023

ACT 的关节位置序列、动作分块及重叠预测。

 A03
OpenVLA official implementation官方仓库 · 查询于 2026-10-20

模型输出、动作反归一化与数据集对应关系。