什么是 Action Chunking？

策略不再把一个观测映射为一个动作，而是输出 H 个动作组成的 chunk：$a_t$到$a_{t+H-1}$。机器人执行这段动作后重新观测。这样可以摊薄一次昂贵前向计算的成本，并缩短 credit assignment 的有效时间跨度。chunk 太短会带来抖动和更高的计算开销，太长则会降低对漂移和接触变化的反应能力。

Action Chunking 还有三个重要后果。第一是延迟：大模型不必在每个控制周期都完整运行，而是每隔一段时间重新规划并执行 chunk。第二是误差累积：重新规划次数变少后，策略纠正漂移的机会也变少，接触丰富的任务不能使用过长 chunk。第三是动作平滑：相邻 chunk 需要通过 temporal ensembling 或重叠预测上的指数平滑来衔接。