知识中等

什么是 ACT？它的核心思想是什么？相比传统的模仿学习方法有哪些改进？

ACT 用 CVAE 从示范中采样风格隐变量、Transformer 解码器一次输出一整段动作块，配合时间集成执行，缓解模仿学习的多模态与累积误差问题。

标准答案

ACT（Action Chunking Transformer，ALOHA 工作）是一个条件 VAE 策略：编码器把整段示范动作压缩成风格隐变量 z（捕捉同任务的不同解法），解码器以观测和 z 为条件，用 Transformer 一次预测一整段动作 chunk。执行时对重叠 chunk 做时间集成（加权平均）平滑衔接。相比朴素行为克隆的改进：隐变量让多模态示范不再被 MSE 平均成无效动作；chunk 化降低误差累积并摊薄推理频率。

深入理解

高频追问：为什么不用 diffusion 也能处理多模态（CVAE 隐变量 vs 迭代去噪两条路线）、chunk 长度与时间集成系数怎么调、双臂高精度任务（ALOHA）里它为什么有效。与 π0 的 action chunk 设计可以对比着讲。