AdaTempo：学习演示中的共享相对节奏，实现更快机器人操作
这篇预印本提出 AdaTempo，一种自监督方法，通过提取多个演示中共享的相对节奏模式，对演示轨迹进行离线重采样，训练出更快执行的视觉运动策略。在5个仿真和6个真机任务上，AdaTempo 最高实现3.57倍加速，仿真平均成功率达75.5%、平均加速2.83倍，真机汇总成功率从58.3%提升到77.8%且平均快2.02倍。该方法无需运行时速度选择或在线重定时，简化部署。
演示中是否普遍存在共享的相对节奏结构，能否仅利用这种自监督信号实现分阶段加速，而无需辅助模型或运行时机制？
模仿学习获得的视觉运动策略往往继承了遥操作演示的缓慢节奏；均匀加速会破坏不同任务阶段对加速的容忍差异，导致跳过关键状态、闭环分布偏移或控制器无法跟踪。
现有加速方法分为运行时策略加速和演示/训练侧加速。运行时方法如 SAIL、SpeedTuning 通过策略预测、跟踪误差或强化学习在线选择速度；演示侧方法如 DemoSpeedup 用生成式策略估计熵进行分段降采样，或利用视觉语言推理传播语义阶段标签。这些方法通常依赖辅助模型、环境交互或人工标签，增加了训练或部署复杂度。
AdaTempo 先用高斯平滑和归一化累计运动弧长构建进度描述，通过 DTW 将不同时长演示对齐到规范相位，提取每集内的相对节奏并跨演示取中位数和 MAD 得到共识与置信度。然后将其映射为连续加速曲线，经前瞻软最小和不对称斜率限制平滑，再按虚拟时间对原始轨迹重采样，得到加速训练数据集。最后用标准 ACT 或 Diffusion Policy 训练。整个过程离线完成，部署无需额外模块。
在仿真中，5个任务上三种子平均：AdaTempo 平均成功率75.5%、平均SOD 2.83倍，高于 DemoSpeedup 的68.1%和2.86倍SOD。ACT任务上 Transfer Cube 成功率83.67%（SOD 2.77），对比 ACT 45.33%（1.36）、ACT-2x 53%（2.28）、DemoSpeedup 69%（2.59）、SAIL 63.33%（2.53）；Insertion 成功率25%（SOD 2.65），对比 ACT 23.33%（1.37）、DemoSpeedup 18%（3.01）、SAIL 15.33%（2.23）。DP任务上 Lift 100%成功率、SOD 3.28，Can 82.67%、SOD 3.57，Square 86.33%、SOD 1.90；对比 DP 原策略 Lift 100%（1.45）、Can 95.33%（1.46）、Square 82%（1.42）。真机6个任务各30次试验：AdaTempo 汇总成功率77.8%，平均完成时间比ACT快2.02倍；ACT 汇总58.3%，DemoSpeedup 56.7%；在 Conveyor Fast 上 AdaTempo 29/30成功、平均3.2秒，ACT 2/30成功、6.9秒，DemoSpeedup 12/30成功、3.5秒。
作者承认：相对节奏是经验线索，不是最大可行速度的直接估计，共享遥操作习惯可能影响它；单一 medoid 和共识不适用于含无关停顿、模糊对应或不同策略的演示；加速上下界需任务专属并用留出验证rollout选择；训练出的节奏在部署时固定，无法在线适应变化；高增益控制无正式安全保证。此外，本工作仅在两类仿真基准和一款双臂平台（AgileX ALOHA + PiPER）上验证，覆盖任务数量有限。论文未报告代码开源情况。
适用于部署在双臂或单臂机械臂上的模仿学习视觉运动策略，如仓储分拣、装配、包装等需要提升节拍的场景。AdaTempo 离线重采样无需额外推理成本，可快速集成到现有 ACT/Diffusion Policy 训练流程。前提是拥有足够且相对一致的遥操作演示，并需在目标硬件上验证跟踪精度与安全。现在即可用于实验研究，预计1至3年内可在工业自动化中试点。
受许可协议限制，本站不转载该论文全文，仅提供摘要和原文链接。