ACT模仿学习 概念介绍：ACT 模仿学习到底解决了什么难题

一、概念介绍：ACT 模仿学习到底解决了什么难题

ACT 是 Action Chunking with Transformers 的缩写，出自 2023 年的一篇关于低成本双臂精细操作的论文，配套开源代码通常被称为 act 或 learning-from-human-demonstrations。它是一套模仿学习方法：人通过遥操作演示任务，模型从"观测—动作"数据对里学习策略，训练完成后自主执行。它在精细操作任务上表现突出，尤其是插拔、穿线、开盖这类需要毫米级精度的动作。

ACT 要解决的核心问题是复合误差与动作多模态。传统的行为克隆（Behavior Cloning）逐帧预测动作：给定当前观测，输出下一步的动作。这种方式有两个毛病。第一是复合误差——如果每一帧都有微小误差，误差会随步数累积，机器人越走越偏，最后完全脱离演示轨迹。第二是动作多模态——同一场景下人有多种合理做法（从左边绕或从右边绕），逐帧回归会把多种做法平均成一个谁都不像的中间动作，导致机器人在关键位置犹豫、抖动。

ACT 对第一个问题的答案是 Action Chunking（动作分块）：不预测一步，而是一次预测未来 k 步的动作序列，机器人把这 k 步动作整段执行完再重新观测。这样做的效果是，即使某一步有误差，模型在后续步骤里仍然在"朝着目标走"，误差不会指数级累积，同时动作在时间上更连贯，抖动量显著下降。对第二个问题的答案是把策略建模成 CVAE（条件变分自编码器）：编码器在训练时看到完整的动作序列，把它压缩成一个隐变量；解码器在推理时从这个隐变量采样并解码出动作。由于隐变量可以吸收"这次走哪条路"的信息，多模态动作不再被平均，而是被分开表达。

和相邻方案的差别。Diffusion Policy 同样解决多模态问题，思路是用扩散过程生成动作序列，表达能力强于 CVAE，但推理需要多步去噪，延迟更高。行为克隆加 LSTM 是更早的方案，没有动作分块，在精细任务上精度不足。强化学习（如 SAC、PPO） 不依赖演示，但需要大量在线交互和精心设计的奖励函数，在真实机器人上试错成本极高。VLA 大模型（如 RT 系列） 泛化能力强但需要海量数据与算力，中小团队很难复现。经验上，如果任务固定、位置变化有限、演示数据能采到几十条，ACT 是性价比最高的选择。