机器人高层指挥低层做，“坐标系转移接口”一次演示实现泛化学习 | ICML2025

如何让AI像人一样，仅凭少量演示就能适应复杂多变的真实场景？美国东北大学和波士顿动力RAI提出了一种名为HEP（Hierarchical Equivariant Policy via Frame Transfer）的框架，通过“坐标系转移接口”显著提升机器人学习效率与泛化能力。

HEP框架的核心亮点包括：
1. 分层策略结构：高层负责全局目标设定，低层在局部坐标系中优化动作，提升灵活性与效率。
2. 空间对称性泛化：模型自动适应目标平移、旋转等变化，降低对数据量的依赖。
3. 创新型体素编码器：高效表达三维视觉信息，兼顾细节还原与计算速度。

HEP基于两个核心思想：分层策略与“坐标系转移接口”。高层策略通过预测关键姿态（目标3D平移）进行长时程规划，低层策略在此基础上生成细粒度运动轨迹。“坐标系转移接口”具有三大特点：传递高层泛化能力、提供软约束以优化局部轨迹、赋予自然泛化到新姿态的能力。这种设计不仅增强了低层灵活性，还将高层的抗干扰性与泛化能力传递到底层，实现了鲁棒性与泛化性的统一。

为验证效果，研究团队在RLBench模拟平台的30个任务及真实机器人上的3个操作任务中测试了HEP框架。结果显示：
- 在复杂长程任务中，HEP仅用30条演示数据即可完成多步协作任务，如“洗锅”，表现优于非分层方法。
- 在Pick&Place任务中，HEP通过一次演示即可实现1-shot泛化学习，显著提升数据效率。
- 在环境变化和扰动测试中，HEP的成功率较传统方法提升高达60%。

此外，坐标系转移接口对低层策略施加软约束，既保证灵活性，也为未来引入多模态或跨平台高层策略提供了扩展可能。

一句话结论：HEP框架通过“坐标系转移接口”实现了高层泛化性与鲁棒性的无损传递，为智能体的开放性集成与泛化部署开辟了新路径。

论文地址：https://openreview.net/pdf?id=nAv5ketrHq
项目代码：https://codemasterzhao.github.io/HierEquiPo.github.io/