ACT模仿学习 核心功能与关键配置项

三、核心功能与关键配置项

ACT 模型的结构参数不多，但每一个都影响明显，值得逐一理解。

时间集成（Temporal Ensembling）值得单独解释。由于模型每次预测的是未来 k 步，相邻两次预测会在时间上重叠。简单做法是每次只执行第一段就丢弃其余部分，缺点是浪费了预测信息。时间集成则把所有覆盖到当前时刻的预测按指数权重加权平均，越新的预测权重越高。它的效果是动作明显更平滑，代价是推理时要保存最近若干次预测并做加权，计算开销增加，在算力紧张时可能影响控制频率。

关于超参的调节顺序，建议按这个优先级：先固定一个能跑通的 chunk_size（可从几十步起步）把训练跑起来，观察 loss 收敛情况；再调 kl_weight 看动作平滑度的变化；最后才考虑增大模型容量。反过来先堆大模型，往往训练慢、显存紧张，还没办法判断问题出在哪。

还有一个工程要点是动作的表示方式。动作可以表示为绝对关节位置，也可以表示为相对当前位置的增量。绝对位置的好处是模型直接输出目标，推理时不受当前误差影响；增量表示的好处是便于在不同初始构型下泛化。两种方式各有适用场景，关键是训练与推理必须统一，不能在训练时用绝对位置、推理时又去叠加增量。