潜在空间高频动作分块学习方法
原帖
**在潜在空间中学习高频连续动作分块**
_Learning High-Frequency Continuous Action Chunks in Latent Space_
> 本文提出了一种将高频机器人动作学习从动作空间转移到潜在空间的新方法，利用变分自编码器（VAE）来提升动作的时间一致性和空间平滑性。针对60Hz以上的高频控制，传统动作分块技术难以保持流畅性，本方法通过设计‘Reuse-then-Refine’策略，优化相邻动作分块间的连续性，从而实现机器人更平稳的实时执行。实验在三个真实世界的复杂接触任务中验证了该方法的有效性，代码和数据已公开。
**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-05-27 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.24931)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
本文提出将高频机器人动作学习从动作空间转移到潜在空间，利用VAE提升时间一致性与空间平滑性，通过'Reuse-then-Refine'策略优化相邻动作分块连续性，在三个真实复杂接触任务中验证有效。
答案说明
该方法将高频动作学习转移到潜在空间，使用VAE提升一致性，通过'Reuse-then-Refine'优化连续性，在三个真实任务中验证有效。
这篇帖子回答的问题
- 如何解决高频机器人动作分块中的连续性问题？
核心观点
- 将高频动作学习转移到潜在空间可提升动作的时间一致性和空间平滑性
FAQ
- Q: 该方法使用了什么技术？
- A: 使用变分自编码器（VAE）在潜在空间中进行动作学习
关键实体
- 变分自编码器（VAE）
- 动作分块