PhasePlan 用有序未来阶段规划改进机器人操作动作预测

能否通过为动作块内每个未来位置预测有序任务阶段并以其条件调节动作生成，改善机器人脑模型在长时程操作中的动作时序和跨阶段动作预测？

现有 VLA 策略大多预测固定长度动作块，一个动作块可能跨越多个任务阶段。由于演示中等待和搬运等阶段占比高，动作优化偏向频繁模式，容易掩盖阶段转换，导致 Wait 到 Act、Act 到 Release 等转换位置的动作时序不准，影响闭环执行。

此前方法如 GuidedVLA 使用未来技能分布直方图作为时间摘要，只描述动作块内阶段比例，丢失阶段顺序和转换位置；RT-H 和 ProgressVLA 等在高层语言或隐式状态中引入任务进度，但未在动作块内做逐位置阶段对齐。

PhasePlan 引入 H=16 个可学习阶段查询，每个查询对应未来一个动作位置，从当前多模态观测（头视 RGB、腕视 RGB、本体状态和语言指令）独立预测该位置的阶段分布。预测的上下文规划表示与阶段分布融合后，通过缩放和平移调制对应位置的动作 token。训练分两阶段：先只训练规划器预测完整有序未来阶段序列，然后冻结规划器，仅适配动作专家模块和条件路径，保持阶段边界稳定。

在 325 条轨迹、40,129 帧的传送带数据上，验证集含 3,584 个动作窗口，其中 1,613 个跨阶段窗口，结果在 3 个随机种子上平均。规划器在 16 个未来位置上达到约 92.5% 的逐位置阶段准确率，阶段转换类型准确率约 89%。仅使用状态和语言输入时宏平均 F1 约 43%，打乱 RGB 后约 36%，完整输入超过 91%。动作预测方面，PhasePlan 的总体关节 MAE 为 0.034605 rad，原始 π0.5 为 0.044653 rad，future-skill histogram 基线为 0.039619 rad，分别降低 22.5% 和 12.7%。跨阶段窗口 MAE 为 0.041318 rad，原始 π0.5 为 0.051292 rad，基线为 0.046721 rad。手部命令准确率 PhasePlan 为 93.162%，原始 π0.5 为 90.394%，基线为 91.864%。Ours-P 只训练规划器但保持原始动作路径时，动作指标与原始 π0.5 相同，说明收益来自逐位置条件调节。MuJoCo 中使用记录视觉输入和实时模拟状态的执行显示连续运动，真机部署以及 AcrossWAM1.0 部署均展示从抓取到放置的连贯任务进程，但均为定性结果。

论文未报告作者明确承认的局限。可观察到的局限包括：量化评估仅覆盖一个传送带任务和单一机械臂构型；离线指标为主，真机和 MuJoCo 只提供定性演示；数据集规模较小，共 325 条轨迹、40,129 帧；未报告跨任务、跨机器人或跨场景的量化泛化；未报告代码是否开源；该预印本尚未经过同行评审。