RoboCode: Learning Reusable Action Primitives for Robot Manipulation
作者: Xianyue Peng, Devi Amarsaikhan, Iman Soltani
分类: cs.RO, cs.LG
发布日期: 2026-10-23
备注: 12 pages, 5 figures
💡 一句话要点
提出RoboCode以解决机器人操作中的动作重用问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 机器人操作 动作重用 软门控 多任务学习 动作表示 深度学习 智能机器人
📋 核心要点
- 现有的机器人操作方法未能有效利用动作空间中的可重用结构，导致动作预测的灵活性不足。
- RoboCode通过共享软门控原始动作接口，学习跨任务的短期运动模式，提供了一种灵活的动作表示方式。
- 在五个ManipSkill操作任务中，RoboCode的成功率达到75.6%，显著高于其他基线方法，展示了其有效性。
📝 摘要（中文）
近年来的机器人操作策略通常直接从观察中预测连续的动作块，而未明确建模动作空间中的可重用结构。然而，操作演示中常包含跨任务共享的短期运动模式。本文提出RoboCode，通过共享的软门控原始动作接口学习这些模式。RoboCode将每个动作块表示为多个学习到的原始动作的软组合，提供灵活的短期动作中间表示。实验表明，RoboCode在五个ManipSkill操作任务中表现出色，重构动作块的平均均方误差为0.0187，成功率达到75.6%。
🔬 方法详解
问题定义：本文旨在解决现有机器人操作策略未能有效建模动作空间中的可重用结构的问题，导致动作预测的灵活性和效率不足。
核心思路：RoboCode的核心思想是通过共享的软门控原始动作接口，学习和表示跨任务的短期运动模式，从而实现动作的重用和灵活组合。
技术框架：RoboCode的整体架构包括两个主要模块：首先，从多个任务中汇聚动作块以学习原始动作接口；其次，训练任务特定的状态编码器，将当前状态映射到共享的潜在空间。
关键创新：RoboCode的创新在于采用软组合的方式表示动作块，而非将每个动作块分配给单一的离散代码，这种设计使得动作表示更加灵活和可解释。
关键设计：在技术细节上，RoboCode使用了特定的损失函数来优化动作块的重构，同时设计了适应性强的网络结构，以支持多任务学习和状态映射。
🖼️ 关键图片
📊 实验亮点
RoboCode在五个ManipSkill操作任务中的实验结果显示，重构动作块的平均均方误差为0.0187，且在所有评估任务中成功率达到75.6%，显著高于ACT的68.8%和Diffusion Policy基线的41.6%。这些结果表明，软门控原始代码库为机器人操作提供了有效且可解释的中间动作表示。
🎯 应用场景
RoboCode的研究成果在机器人操作领域具有广泛的应用潜力，尤其是在需要高效和灵活动作执行的场景，如工业自动化、服务机器人和家庭助理等。通过实现动作的重用，RoboCode能够显著提高机器人在复杂任务中的适应能力和效率，推动智能机器人技术的发展。
📄 摘要（原文）
Recent robot manipulation policies commonly predict continuous action chunks directly from observations, without explicitly modeling reusable structure in the action space. However, manipulation demonstrations often contain recurring short-horizon motion patterns that are shared across tasks. We introduce \textsc{RoboCode}, which learns these patterns through a shared soft-gated primitive action interface. Rather than assigning each action chunk to a single discrete code, \textsc{RoboCode} represents it as a soft composition of multiple learned primitives, providing a flexible intermediate representation of short-horizon actions. The primitive interface is learned from action chunks pooled across multiple tasks and then frozen while task-specific state encoders are trained to map current state inputs into the shared latent space. Experiments on five ManiSkill manipulation tasks address three questions. First, the learned primitive interface reconstructs action chunks with an average reconstruction MSE of 0.0187. Second, analysis of code activations reveals structured code reuse across tasks. Third, \textsc{RoboCode} achieves the highest or tied closed-loop success rate on all evaluated tasks, with an average success rate of 75.6%, compared with 68.8% for ACT and 41.6% for the larger Diffusion Policy baseline. These results suggest that soft-gated primitive codebooks provide an effective and interpretable intermediate action representation for robot manipulation.