PACE: Stage-Consistent Long-Horizon Robot Manipulation via Progress-Aligned Context for Execution

📄 arXiv: 2610.07917v1 📥 PDF

作者: Yenan Chen, Junjie Shi, Lu Chen, Zhongxiang Zhou, Rong Xiong

分类: cs.RO

发布日期: 2026-10-06

💡 一句话要点

提出PACE以解决长时间机器人操作中的阶段混淆问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 长时间操作 阶段混淆 进度对齐 机器人策略 多模态提示 因果记忆 执行效率

📋 核心要点

  1. 现有方法在长时间操作中面临阶段混淆问题，导致机器人在视觉相似状态下难以正确执行任务。
  2. 论文提出的PACE方法通过进度对齐上下文，动态调整示范的解释，解决了阶段混淆问题。
  3. 实验结果显示，PACE在多个任务上显著提高了成功率，验证了其有效性和实用性。

📝 摘要（中文）

示范条件策略为机器人行为指定提供了自然接口，但在视觉相似状态在不同阶段重复出现或示范与执行速度不一致时，长时间操作仍然困难。我们将这种失败模式称为阶段混淆，并提出了执行进度对齐上下文（PACE），这是一种状态方法，持续根据实现的执行进度重新解释完整示范。PACE将示范压缩为有序的多模态提示标记，并使用仅训练的双边注意力监督来揭示其潜在的阶段结构。在执行过程中，局部快速权重记忆因果编码实现的动作-观察转变，并调节提示交叉注意力，生成统一扩散动作专家的进度对齐上下文，而无需测试时的阶段标签或特定阶段策略。PACE在LIBERO-Gen目标链上的成功率从88.9%提高到94.0%，在空间组合任务上从79.1%提高到83.3%，在两步块路由任务上从33.3%提高到73.3%。失败分析进一步表明，结构化示范对齐和因果执行记忆共同缓解了阶段混淆。

🔬 方法详解

问题定义：论文要解决的具体问题是长时间机器人操作中的阶段混淆现象，现有方法在处理视觉相似状态和执行速度不一致时表现不佳，导致任务失败。

核心思路：PACE方法的核心思路是通过进度对齐上下文，持续根据执行进度重新解释示范，从而有效应对阶段混淆。该方法设计旨在增强机器人对示范的理解和执行一致性。

技术框架：PACE的整体架构包括三个主要模块：示范压缩模块、局部快速权重记忆模块和提示交叉注意力调节模块。示范压缩模块将示范转化为有序的多模态提示标记，局部快速权重记忆模块编码动作-观察转变，而提示交叉注意力调节模块则生成进度对齐上下文。

关键创新：PACE的主要创新在于引入了进度对齐上下文的概念，通过动态调整示范的解释，避免了传统方法中阶段标签的依赖，提升了执行的灵活性和准确性。

关键设计：在技术细节上，PACE使用了双边注意力监督来训练模型，确保潜在阶段结构的有效揭示。此外，局部快速权重记忆的设计使得模型能够因果编码历史的动作-观察转变，从而提高执行的连贯性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，PACE在LIBERO-Gen目标链任务上的成功率从88.9%提升至94.0%，在空间组合任务上从79.1%提升至83.3%，而在两步块路由任务上成功率更是从33.3%提升至73.3%。这些结果显著优于基线方法，验证了PACE的有效性。

🎯 应用场景

该研究的潜在应用领域包括服务机器人、工业自动化和人机协作等场景。PACE方法能够提高机器人在复杂环境中的操作能力，具有重要的实际价值和广泛的应用前景，未来可能推动机器人技术的进一步发展。

📄 摘要（原文）

Demonstration-conditioned policies provide a natural interface for specifying robot behavior, yet long-horizon manipulation remains difficult when visually similar states recur across different stages or when demonstrations and executions proceed at different speeds. We identify the resulting failure mode as stage confusion and introduce Progress-Aligned Context for Execution (PACE), a stateful method that continually reinterprets a complete demonstration according to realized execution progress. PACE compresses the demonstration into ordered multimodal prompt tokens and uses training-only dual-edge attention supervision to expose its latent stage structure. During execution, an episode-local fast-weight memory causally encodes realized action-observation transitions and modulates prompt cross-attention, producing a progress-aligned context for a unified diffusion action expert without test-time stage labels or stage-specific policies. PACE improves success from 88.9% to 94.0% on LIBERO-Gen Goal Chain, from 79.1% to 83.3% on Spatial Combination, and from 33.3% to 73.3% on the two-step Block Routing tasks. Failure analysis further indicates that structured demonstration alignment and causal execution memory jointly mitigate stage confusion.