图片报告主题：斯坦福｜RSS 2026 Final List：机器人动作如何高效编码
报告日期：8月4日（周二） 10:30-11:30
报告要点：
机器人策略需将连续动作离散化为token，但现有方法要么序列过长、要么缺乏结构，难以兼顾效率与灵活性。智源Talk 373期邀请了斯坦福刘晁企线上分享，论文入选机器人顶会RSS最佳论文Final List。提出了OAT，同时实现高压缩率、完全可解码性和有序token空间三大目标，使早期token承载粗粒度控制、后续 token 补充残差细节，为机器人策略在推理成本与动作保真度之间提供了灵活权衡。欢迎大家一起讨论交流。
论文链接：https://arxiv.org/abs/2602.04215
议题详情：
Action tokenization 将连续的 action chunks 映射为离散 tokens，已成为现代机器人策略的重要接口。现有方法要么依赖解析式离散化，产生过长的 token 序列；要么采用缺乏结构的 latent tokenizer，限制了其与下游策略的兼容性。本文归纳了 action tokenization 的三个关键要求：高压缩率、完全可解码性和有序的 token 空间，并提出同时满足三者的 Ordered Action Tokenization（OAT）。OAT 结合带 registers 的 Transformer、有限标量量化（FSQ）和顺序诱导训练机制，将 action chunks 离散化为有序的 token 序列。通过训练每个 token prefix 解码出有效的 action chunk，OAT 使早期 tokens 表达粗粒度控制信息，并由后续 tokens 补充残差细节，从而灵活权衡推理成本与动作保真度。我们在 action tokens 的两种主流用法中验证了 OAT：在自回归策略中，策略生成并 detokenize action tokens 用于控制；在 token co-training 策略中，token loss 用于训练视觉语言模型，并由 flow-matching action expert 基于其 context 生成连续动作。实验覆盖 3 种策略架构、5 个仿真平台及真实机器人场景，累计超过 60 项任务，结果表明 OAT 能够持续提升策略表现，同时显著增强推理阶段的灵活性。

报告嘉宾：

图片

刘晁企 (chaoqi-liu.com)，目前在斯坦福SVL担任研究助理。本科毕业于UIUC。曾与Yilun Du、Yunzhu Li、Kris Hauser、Maxim Likhachev合作。研究方向为机器人。


图片
电脑端观看地址



更多热门活动：



内容中包含的图片若涉及版权问题，请及时与我们联系删除