AutoIntervene: Calibrated Intervention for Action-Chunking Imitation Learning Policies
作者: Jinhe Tang, Weiming Zhi
分类: cs.RO, cs.AI, cs.CV, cs.HC, cs.LG
发布日期: 2026-08-07
备注: 9 pages, 7 figures
💡 一句话要点
提出AutoIntervene以解决动作分块模仿学习中的控制转移问题
🎯 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)
关键词: 动作分块 模仿学习 在线控制 视觉相似性 机器人操作 人机协作 任务成功率
📋 核心要点
- 现有的动作分块模仿学习方法在面对感知错误和执行漂移时，容易导致生成的动作与实际状态不一致。
- 本文提出的AutoIntervene框架通过在线评估和控制转移，结合视觉相似性和一致性来提高政策的适应性。
- 实验表明，AutoIntervene在双手操作任务中相比于手动干预，显著提高了任务成功率并减少了操作员的控制时间。
📝 摘要（中文）
动作分块的视动政策通过学习示范来提高时间一致性，预测短的动作序列而非单步命令。然而，感知错误和执行漂移可能使机器人偏离示范分布，导致政策生成的平滑动作块与观察状态不一致。为此，本文提出了AutoIntervene，一个在线框架，在部署过程中选择性地在动作分块政策和操作员之间转移控制。AutoIntervene通过评估与成功任务执行构建的视觉-动作支持记忆中的提议块，结合视觉相似性和提议与参考动作之间的一致性，来实现控制转移。实验结果表明，在真实的双手操作任务中，AutoIntervene实现了更高的任务成功率和更低的操作员控制时间。
🔬 方法详解
问题定义：本文旨在解决动作分块模仿学习中，由于感知错误和执行漂移导致的控制不一致问题。现有方法在面对这些挑战时，往往无法有效调整策略，导致机器人行为不稳定。
核心思路：AutoIntervene的核心思想是通过在线控制转移机制，在动作分块政策和操作员之间进行选择性控制，以提高任务执行的一致性和成功率。该方法通过评估提议的动作块与成功执行的视觉-动作支持记忆的相似性来实现控制转移。
技术框架：AutoIntervene框架主要包括两个阶段：第一阶段是阶段局部支持，负责在当前任务阶段内进行政策与操作员之间的控制转移；第二阶段是全局支持，负责在操作员恢复后重新控制政策。
关键创新：本文的主要创新在于通过经验分位数校准不同方向的切换阈值，从而避免了手动调节分数截止值的复杂性。这一方法有效提高了控制转移的灵活性和适应性。
关键设计：在设计中，AutoIntervene使用了视觉相似性和一致性评估作为控制转移的依据，并保留成功回放中的干预段，以便为后续政策更新提供纠正监督。
🖼️ 关键图片
📊 实验亮点
实验结果显示，使用AutoIntervene框架的机器人在双手操作任务中的成功率提高了显著，具体表现为任务成功率的提升和操作员控制时间的减少，优于传统手动干预方法，展示了该方法的有效性和实用性。
🎯 应用场景
该研究的潜在应用领域包括机器人操作、自动化制造和人机协作等场景。通过提高机器人在复杂任务中的适应能力，AutoIntervene能够显著提升机器人在动态环境中的工作效率和安全性，未来可能对智能制造和服务机器人领域产生深远影响。
📄 摘要（原文）
Action-chunking visuomotor policies learn from demonstrations and improve temporal consistency by predicting short action sequences rather than single-step commands. Yet perception errors and execution drift can move the robot outside the demonstration distribution, while the policy continues to produce smooth action chunks that are inconsistent with the observed state. We present AutoIntervene, an online framework that selectively transfers control between an action-chunking policy and an operator during deployment. AutoIntervene evaluates proposed chunks against a visual-action support memory built from successful task executions, combining visual similarity with consistency between proposed and reference actions. Phase-local support governs policy-to-operator transfer within the current task phase, whereas global support governs the return to policy control after operator recovery. We calibrate separate switching thresholds for the two directions from empirical quantiles of evaluation-level scores on held-out expert demonstrations, avoiding direct manual tuning of score cutoffs. Intervention segments retained from successful rollouts target learner-induced states and provide corrective supervision for subsequent policy updates. Experiments on real-world bimanual manipulation tasks show higher post-adaptation task success and lower operator-control time than manual intervention. Videos and additional results are available at https://aus.bot/research/autointervene/.