Chronos: A Physics-Informed Full-History Framework for Non-Markovian Long-Horizon Manipulation
作者: Yulin Zhou, Yimeng Wang, Nengyu Wang, Shaojia Xing, Shiyun Tu, Xiang Li, Jingkai Zhang, Ningbo Jiang, Yuankai Lin, Hua Yang, Xiangrui Zeng, Zhouping Yin
分类: cs.RO
发布日期: 2026-06-29
备注: 20 pages, 10 figures. Submitted to IEEE Transactions on Robotics
💡 一句话要点
提出Chronos框架以解决非马尔可夫长时间操控问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 非马尔可夫 长时间操控 物理信息驱动 策略动态 多模态动作先验 隐式最大似然估计 机器人操控 记忆依赖
📋 核心要点
- 现有的机器人策略往往依赖于当前观察或短时间窗口，无法有效处理记忆依赖的操控任务。
- Chronos框架通过将观察历史作为潜在状态，提升了策略的动态性，能够更好地应对长时间操控。
- 在16个模拟任务和4个真实实验中，Chronos在记忆依赖任务中表现出显著的成功率提升，超越了多种基线方法。
📝 摘要（中文）
通用机器人策略应建模为动态系统，但许多变分自适应和生成模仿策略仍依赖于当前观察或短时间窗口。这种马尔可夫简化在记忆依赖的操控中失效：相同的观察可能在不同历史下需要不同的动作。本文提出Chronos，一个物理信息驱动的全历史框架，用于非马尔可夫长时间操控。其核心思想是将观察历史提升为策略动态的潜在状态。在每个物理控制步骤中，Chronos通过融合观察和本体感知形成一个状态代表性标记，标记序列与物理时间一一对应。通过隐式最大似然估计（IMLE）条件化多模态粗略动作先验，Chronos在多项任务中展现了优越的性能。
🔬 方法详解
问题定义：本文解决的是在长时间操控中，现有方法因依赖短期观察而导致的性能不足，尤其是在记忆依赖的任务中，无法有效区分相同观察下的不同动作需求。
核心思路：Chronos的核心思路是将观察历史提升为潜在状态，而非辅助上下文，从而使策略能够利用完整的历史信息进行决策。
技术框架：Chronos的整体架构包括状态代表性标记的形成、历史状态的传播以及通过隐式最大似然估计条件化的多模态动作先验。每个物理控制步骤都生成一个与物理时间一一对应的状态标记。
关键创新：Chronos的主要创新在于将历史信息视为潜在状态，改变了传统方法对历史的处理方式，从而提高了策略的灵活性和准确性。
关键设计：在设计上，Chronos采用了选择性状态空间模型来传播历史状态，并通过二阶薛定谔启发式桥接预测加速度场，确保机器人运动更加平滑且符合物理规律。
🖼️ 关键图片
📊 实验亮点
在RMBench测试中，Chronos在需要记忆任务阶段的场景中实现了73.6%的平均成功率，较马尔可夫基线pi0.5提升了62.4个百分点，且参数使用量减少了10倍。在真实双臂实验中，Chronos在四个任务中达到了78%的平均成功率，显著优于pi0.5的7%。
🎯 应用场景
Chronos框架在机器人操控领域具有广泛的应用潜力，尤其是在需要长时间记忆和复杂决策的任务中，如精密插入和多模态操控。其设计理念和技术创新可以为未来的智能机器人系统提供更高效的策略生成方法，推动机器人在动态环境中的应用。
📄 摘要（原文）
General-purpose robot policies should be modeled as dynamical systems, yet many VLA and generative imitation policies still rely on present observations or short windows. This Markovian shortcut fails in memory-dependent manipulation: identical observations can demand different actions after different histories. We present Chronos, a physics-informed full-history framework for non-Markovian long-horizon manipulation. The key idea is to elevate observation history from auxiliary context to the latent state of the policy dynamics. At each physical control step, Chronos forms one state-representative token by fusing observation and proprioception, so the token sequence is aligned one-to-one with physical time. A selective state space model propagates this causal historical state, which conditions a multimodal coarse action prior through implicit maximum likelihood estimation (IMLE). This prior is then refined by a second-order Schrodinger-inspired bridge that predicts acceleration fields, yielding smoother and more physically grounded robot motion. Across 16 simulated tasks and 4 real-world experiments, Chronos is evaluated on precision insertion, general manipulation, and memory-dependent long-horizon control. On RMBench, where success requires remembering task phase, Chronos achieves 73.6% average success, outperforming Markovian VLA baseline pi0.5 by +62.4 percentage points, a 6.6x relative gain, while using 10x fewer parameters. It also surpasses the memory VLA Mem-0 by 22.8 points while using over 30x fewer parameters. In real-world dual-arm experiments using a single RGB camera, Chronos achieves 78% average success over four tasks, including 72% on the three memory-dependent tasks, whereas pi0.5 achieves 7% overall and 0% on the memory-dependent subset. These results suggest that history should not be treated as auxiliary context, but as the latent state of the manipulation policy.