动作分块工程 · Action Chunking Engineering (ACE)

RTC Inference 方法工作台 arXiv.2506.07339

Inference Layer → Application Layer

推理层

去噪步数 n 5

引导权重上限 β 5.0

应用层

Soft-mask 衰减

延迟缓冲大小 b 8

frozen d=3 s=25 prefix end H−s=25 soft support H−s−d=22 soft mass ΣW=— fresh suffix s=25 ✓ d ≤ s ≤ H−d

Stop-Gradient Stitching原文 ↗推理层

Wu & Xu · 2026

启用

∂Â¹/∂A^τ ≈ I　·　g_τ = W ⊙ (Y−Â¹)

拼接引导上限 β_sg 10

停止梯度穿过速度场，直接增强重叠区残差约束。

Smooth-As-Butter原文 ↗推理层

Soare · 2025

启用

r_τ²=(1−τ)²σ² / ((1−τ)²+σ²τ²)　·　β=ρn

条件先验 σ_d|o 0.20

β/n 比例 ρ 1.0 → β=5.0

用较窄的条件动作先验加强引导，并令 β 随去噪步数缩放。

Distributed RTC原文 ↗应用层

Vial · 2026

启用

ℓ̂=ℓ̄+Kσ　·　O^c=ℓ̂_Δ+ε　·　ψ←ψ∨ψ′

保守系数 K 1.5

冷却余量 ε 1 步

演示故障率 p 8%

JK 延迟估计 + cooldown 重试 + LWW，演示丢包、延迟和重复消息恢复。

RTC 两层时序 Inference → Application 异步推理与执行并行 · A_new 就绪后切换

Wᵢ=1 · 延迟期冻结 0<Wᵢ<1 · soft inpaint Wᵢ=0 · 新后缀当前阶段 / 切换位置

推理层 Inference Layer

Inference · Flow + ΠGDMAlgorithm 1

A^{τ + \frac{1}{n}} = A^{τ} + \frac{1}{n} (v_{π} (A^{τ}, o, τ) + \min (β, \frac{1 - τ}{τ r_{τ}^{2}}) g_{τ})

λ_{τ} = \min (β, \frac{1 - τ}{τ r_{τ}^{2}}) r_{τ}^{2} = \frac{{(1 - τ)}^{2}}{τ^{2} + {(1 - τ)}^{2}}

应用层 Application Layer

RTC · Soft MaskEq. (5)

W_{i} = {\begin{cases} 1 & i < d \\ \frac{c_{i} (e^{c_{i}} - 1)}{e - 1} & d \leq i < H - s \\ 0 & i \geq H - s \end{cases} where c_{i} = \frac{H - s - i}{H - s - d + 1}

Application · Delay + HorizonAlgorithm 1

\hat{d} = \max (Q), | Q | \leq b d \leq s \leq H - d

执行信号 x(t) 平台=停顿 · 跳变=不连续

指标滚动窗口

指标

动作分块工程 Action Chunking Engineering (ACE)

ACT 方法工作台 arXiv.2304.13705

ACT 参数作用图重叠 chunk → 指数权重 → 有效观测年龄

RTC Inference 方法工作台 arXiv.2506.07339

RTC Training 方法工作台 arXiv.2512.05964 训练式替代 RTC-I

RTC Training 参数作用图训练期 prefix conditioning → 推理期纯前向生成

Soft RTC 方法工作台 arXiv.2605.25537 动作先验去噪

Action-Prior Denoising 参数作用图同一 ω_j 同时控制训练污染、loss 与推理先验注入

LiPo 方法工作台 arXiv.2506.05165 独立后优化方法

LiPo 后优化过程冻结 → 线性融合 → 有界 minimum jerk

A2C2 方法工作台 arXiv.2509.23224 独立实时修正方法

A2C2 每步闭环修正旧观测基础块 + 最新观测残差

BID 方法工作台 arXiv.2408.17355 独立测试时解码

BID 双向搜索上一决策约束当前候选，再用强/弱策略对比

RDP 方法工作台 arXiv.2503.02881 独立慢—快策略

RDP 慢—快闭环低频 latent Chunk + 高频触觉逐步解码

Diffusion Policy 方法工作台 arXiv.2303.04137 独立生成式策略

扩散动作块与滚动执行 T_p 预测 · T_a 执行 · 再观测

DEHP 方法工作台 arXiv.2606.11408 独立动态执行方法

动态执行时域自由空间长承诺 · 精细阶段短承诺

HiPolicy 方法工作台 arXiv.2604.06067 独立多频策略

多频 Chunk 与熵门控低熵精细高频 · 高熵低频长程

ABPolicy 方法工作台 arXiv.2602.23901 独立异步样条策略

异步 B-Spline 连续拼接块内 C² · 块间 CCR · 推理执行并行

执行信号 x(t) 平台=停顿 · 跳变=不连续

指标滚动窗口

ACT 方法工作台 arXiv.2304.13705

ACT 参数作用图 重叠 chunk → 指数权重 → 有效观测年龄

RTC Inference 方法工作台 arXiv.2506.07339

RTC Training 方法工作台 arXiv.2512.05964 训练式替代 RTC-I

RTC Training 参数作用图 训练期 prefix conditioning → 推理期纯前向生成

Soft RTC 方法工作台 arXiv.2605.25537 动作先验去噪

Action-Prior Denoising 参数作用图 同一 ωj 同时控制训练污染、loss 与推理先验注入

LiPo 方法工作台 arXiv.2506.05165 独立后优化方法

LiPo 后优化过程 冻结 → 线性融合 → 有界 minimum jerk

A2C2 方法工作台 arXiv.2509.23224 独立实时修正方法

A2C2 每步闭环修正 旧观测基础块 + 最新观测残差

BID 方法工作台 arXiv.2408.17355 独立测试时解码

BID 双向搜索 上一决策约束当前候选，再用强/弱策略对比

RDP 方法工作台 arXiv.2503.02881 独立慢—快策略

RDP 慢—快闭环 低频 latent Chunk + 高频触觉逐步解码

Diffusion Policy 方法工作台 arXiv.2303.04137 独立生成式策略

扩散动作块与滚动执行 Tp 预测 · Ta 执行 · 再观测

DEHP 方法工作台 arXiv.2606.11408 独立动态执行方法

动态执行时域 自由空间长承诺 · 精细阶段短承诺

HiPolicy 方法工作台 arXiv.2604.06067 独立多频策略

多频 Chunk 与熵门控 低熵精细高频 · 高熵低频长程

ABPolicy 方法工作台 arXiv.2602.23901 独立异步样条策略

异步 B-Spline 连续拼接 块内 C² · 块间 CCR · 推理执行并行

执行信号 x(t) 平台=停顿 · 跳变=不连续

指标 滚动窗口

ACT 参数作用图重叠 chunk → 指数权重 → 有效观测年龄

RTC Training 参数作用图训练期 prefix conditioning → 推理期纯前向生成

Action-Prior Denoising 参数作用图同一 ω_j 同时控制训练污染、loss 与推理先验注入

LiPo 后优化过程冻结 → 线性融合 → 有界 minimum jerk

A2C2 每步闭环修正旧观测基础块 + 最新观测残差

BID 双向搜索上一决策约束当前候选，再用强/弱策略对比

RDP 慢—快闭环低频 latent Chunk + 高频触觉逐步解码

扩散动作块与滚动执行 T_p 预测 · T_a 执行 · 再观测

动态执行时域自由空间长承诺 · 精细阶段短承诺

多频 Chunk 与熵门控低熵精细高频 · 高熵低频长程

异步 B-Spline 连续拼接块内 C² · 块间 CCR · 推理执行并行

指标滚动窗口