线上股票配资门画几条线就能控制机器人：上海交大提出稀疏输入策略引导框架

RoboPrompt团队投稿线上股票配资门

量子位 | 公众号QbitAI

看着机器人抓偏了杯子、迟迟对不准面包机的插口，人们可能会忍不住提醒：“往左一点，再往前一点。”这些对人类来说再简单不过的调整，对机器人却未必容易。

更让人着急的是，人类看出了问题，却未必能顺手帮它一把。端到端策略自主执行过程，往往缺少让普通人方便介入的入口。机器人一旦做错，用户就容易陷入“知道该怎么做，却不知道怎么教它”的困境。

RoboPrompt希望解决的正是这个断点：让用户像在图片上画线、点位置或说一句方向指令一样，直观地“提示”机器人下一步该怎么动。

系统不要求修改底层策略结构，也不要求把策略重新训练成专门的可引导模型，而是在推理时把稀疏人类输入转成动作草稿，再交给原有策略细化执行。

△RoboPrompt整体框架：系统支持点选、轨迹、方向指令等直观输入，并将人类引导数据用于后续策略改进。

核心思路：把人类意图变成可执行动作

RoboPrompt采用两阶段设计。第一阶段负责“理解人类意图”，第二阶段负责“把意图放回策略能力范围内”。这样做的好处是，用户输入可以非常稀疏，但最终动作仍由经过真实数据训练的底层策略校准，从而兼顾可控性与可执行性。

从点、线和方向指令生成动作草稿

第一阶段使用一个0.77B参数量的轻量VLA模型Evo-1作为意图翻译器。用户可以在相机画面上给出目标点，表示末端执行器接下来应到达的位置；也可以画出一段轨迹，表示希望机器人沿某条路径移动；还可以输入全局方向提示，例如“向左移动一点”。模型会把这些输入转换为连续的6D动作块，也就是后续细化过程的动作草稿。

为了训练这个翻译器，研究团队没有依赖额外人工标注，而是从已有轨迹中自动生成“事后提示”：将未来TCP位置投影到图像上，形成点和轨迹标签；将未来一段时间内的位移累计并归一化，形成方向提示标签。训练时还加入随机位置和尺度扰动，使模型适应真实用户不精确的输入。

△Prompt标签生成：用未来TCP投影构造点、轨迹与全局动作监督信号。

用底层策略细化动作，而不是替换策略

动作草稿虽然体现了人类意图，但可能缺少抓取、避碰和接触等低层细节。RoboPrompt的第二阶段利用扩散或流匹配策略的去噪过程进行融合：把动作草稿加到某个噪声水平，再由底层策略从该状态逐步去噪，得到更贴合任务和动力学约束的动作。

其中，Progressive Biased Denoising（PBD）提供了一个关键控制量：去噪水平γ。γ越小，动作越跟随人类输入；γ越大，动作越回到策略先验。对于一个持续时间超过单个动作块的提示，RoboPrompt会让γ随重规划次数逐步增大：先强跟随用户意图完成纠偏，再逐渐把控制权交还给原策略。

△系统架构：第一阶段将人类意图转成动作草稿，第二阶段利用底层策略的去噪过程细化动作。

让控制权平滑过渡：NA-FRS

直接加噪并不能保证“人类意图—策略先验”之间线性可控。实验显示，很多扩散和流匹配策略在少量去噪步内就会产生很大动作变化，后续变化反而较小。为此，Noise Augmented Flow Reversal Steering（NA-FRS）：先沿策略动力学从动作草稿反向推到目标噪声水平，再混入可控比例的随机噪声。

用文本描述其效果就是：先尽量保留第一阶段动作草稿中的信息，再随着γ增大逐步恢复纯策略去噪行为。这样，用户画出的轨迹不会被策略立刻“抹掉”，策略自身的任务知识也不会被完全覆盖。

△去噪与流反转机制：在保留动作草稿信息的同时，逐步恢复底层策略先验。

用TOT筛选可用于DAgger的数据

RoboPrompt不仅用于即时纠偏，还把成功的引导轨迹用于后续策略改进。但“成功”并不等于“适合训练”：有些轨迹可能包含抖动、重复夹爪动作或绕远路，直接加入DAgger会让模仿学习得到不一致的监督。

因此，论文引入Time-weighted Optimal Transport（TOT）作为筛选指标。它比较引导轨迹与专家示范在策略嵌入空间中的相似度，同时惩罚过长执行时间。只有既接近专家行为、又没有明显冗余动作的成功轨迹，才会进入下一轮在线训练。

实验结果：更高成功率，更少人工干预

实验平台为FlexivRizon4机械臂和Robotiq2F-85夹爪。研究团队在Diffusion Policy、π0.5和FastWAM三类底层策略上验证RoboPrompt。首先，在Insert Bread多目标场景中，RoboPrompt能把原本偏向某些目标的多模态策略引导到指定目标。三类策略的Prompt Alignment均超过95%，说明机器人动作能够稳定遵循人类提示。

在更关键的在线改进实验中，RoboPrompt通过多轮DAgger持续提升策略。以π0.5为例，在Insert Bread、Hang Cup和Push Ball三个真实任务上，2—3轮迭代后平均成功率提升15.5%，平均人工干预次数从2.86次降至1.60次，减少44.0%。在Insert Bread任务上，跨Diffusion Policy、π0.5和FastWAM三种策略的平均成功率提升21.3%，干预次数从2.60次降至0.47次，减少81.9%。

△DAgger实验结果：多轮RoboPrompt引导数据训练后，成功率提升且干预次数下降。

论文还进行了小规模用户研究。6名此前没有使用经验的志愿者，在5分钟介绍后即可完成面包插入任务，平均任务进度达到86.4%，接近熟练用户的86.7%，并显著高于无引导基线59.3%。差异主要体现在干预次数：新用户平均需要5.17次，熟练用户为2.72次，说明界面直观易上手，但使用经验仍能帮助用户更早预判失败。