CycleManip: Enabling Cyclic Task Manipulation via Effective Historical Perception and Understanding¶
会议: CVPR 2026
arXiv: 2512.01022
代码: https://isee-laboratory.github.io/CycleManip/
领域: 机器人
关键词: 循环操作, 机器人操作, 模仿学习, 历史感知, 多任务学习
一句话总结¶
CycleManip 首次系统性地解决机器人循环操作任务（如摇瓶子N次），通过成本感知的历史采样策略增强历史感知，配合多任务学习辅助目标提升历史理解，以端到端模仿学习方式实现循环次数可控的操作。
研究背景与动机¶
- 领域现状：机器人操作领域的模仿学习和VLA模型在顺序任务上表现出色，但对循环任务（重复动作+准确终止）的研究几乎空白。
- 现有痛点：（i）短观察窗口的策略无法区分循环的不同阶段（每次摇瓶后视觉观测几乎相同）；（ii）缺乏包含充足数据和自动评估工具的循环任务基准。
- 核心矛盾：循环任务是非马尔可夫过程，正确决策不仅取决于当前观测，还取决于已累积的进度。但扩展观察范围会大幅增加计算开销。
- 本文目标：设计端到端的模仿学习框架，使机器人能执行循环动作并在正确时刻停止。
- 切入角度：将观测分为高开销（视觉）和低开销（本体感知），差异化采样；用多任务学习促进循环阶段理解。
- 核心idea：成本感知采样（视觉稀疏+本体感知密集）+ 进度预测辅助任务 = 循环感知策略。
方法详解¶
整体框架¶
CycleManip 要解决的核心难题是：循环任务（摇瓶 N 次后停下）是个非马尔可夫过程——每摇一次后视觉观测几乎一模一样，光看当前画面根本数不清已经摇了几次。直接扩长视觉观察窗口能补回历史，但点云/RGB 帧又贵又多，算不起。于是整套流程沿着「分而治之地补历史 + 逼模型读懂历史」两条线展开：先用成本感知历史采样把廉价的末端位姿差分历史塞满、把昂贵的视觉历史稀疏采样，再连同语言指令分别编码、用 MLP 融合成扩散策略的条件特征去预测动作；同时把这份融合特征接到一个辅助分支上预测「现在进行到第几成」，用这个监督信号倒逼模型从看似重复的观测里学出阶段差异。此外论文还配套搭了 CycleManip 基准来支撑训练与自动评测（它是独立于上述推理 pipeline 的评测贡献，故不出现在下图中）。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
IN["语言指令 + 机器人观测历史"]
IN --> SAMP["成本感知历史采样<br/>按计算开销分流观测"]
SAMP -->|高开销 点云/RGB| HV["启发式稀疏采样<br/>二分 + 指数 (t−2^k)"]
SAMP -->|低开销 末端位姿差分| LV["密集全量采样<br/>铺满整段历史"]
IN -->|语言指令| LANG["CLIP 编码"]
HV --> FUSE
LV --> FUSE
LANG --> FUSE["MLP 融合<br/>条件特征 f_lh"]
FUSE --> ACT["扩散策略 (FiLM 条件)<br/>输出动作 a_t"]
FUSE --> PROG["多任务进度预测<br/>单层 MLP → 10 类进度 b_t"]关键设计¶
1. 成本感知历史采样：用免费的本体感知顶替昂贵的视觉历史
既然循环任务的麻烦在于「短窗口看不出进度」，最直接的修法是把观察范围拉长，但视觉帧的代价让全量历史不可行。CycleManip 的关键观察是——历史里真正承载循环节律的并不是 RGB，而是末端执行器的运动轨迹：摇瓶时它来回往复，这种周期性比关节角度更显眼、也更好建模。所以论文按计算开销把观测劈成两半区别对待：低开销的末端执行器位姿（用相邻帧的位姿差分而非绝对位置，避开机械臂落点漂移带来的位置偏差）几乎免费，就全量密集采样铺满整段历史；高开销的点云/RGB 则只稀疏采几帧——一半帧走二分采样负责粗粒度覆盖整条历史，另一半走指数采样（取 \(t-2^k\) 这些时刻）把近期细节留得更密。这样近处看得清、远处也没断，而计算量几乎全压在那几帧视觉上，本体感知那条稠密历史基本是白送的。举例来说，摇了几十帧之后，视觉只挑出二分点和 \(t-1,t-2,t-4,t-8\dots\) 这些近期帧，而每一帧的末端位姿差分都原样保留，循环往复的波形就完整地喂进了模型。
2. 多任务进度预测：给重复的观测装一个「数到第几圈」的监督信号
纯模仿学习有个隐患——每个循环里专家的标签都是「继续执行」，监督信号完全相同，模型没有任何动力去区分第一圈和第五圈，自然也学不会该在哪一圈停手。CycleManip 加了一个辅助任务来制造这种区分压力：让模型在预测动作的同时，额外预测当前进度 \(b_t\)，定义为当前帧号除以该轨迹最大帧号，再离散化成 10 个区间当作 10 类分类来做（观测特征先经多层 MLP 融合，末端再用单层 MLP 出进度）。这个进度损失逼着模型必须从那些「看起来一样」的观测里提炼出能区分阶段的判别性特征，否则分类分支根本做不对——也正是靠它，策略才知道循环走到尾声、该收尾停下。
3. CycleManip 基准：把「无标准评测」这个拦路石本身先搬走
循环任务长期没人系统研究，一部分原因是连个能自动判对错的评测平台都没有。论文基于 RoboTwin 2.0 搭了 8 个循环操作任务（锤钉子、摇瓶子、切胡萝卜等），每个任务配 200 条演示轨迹、循环次数覆盖 1–8 次；评测时不只看动作成没成功，还要数循环次数对不对——只有操作成功且循环次数精确匹配才算通过，这条「次数也要对」的判据正好把循环任务区别于普通顺序任务的核心难点逼了出来。
损失函数 / 训练策略¶
整体在扩散策略框架下训练，总目标是动作回归与进度分类两项之和：
前项是扩散动作预测的 MSE，后项是 10 类进度分类的交叉熵，\(\alpha,\beta\) 为两者的权重（⚠️ 具体取值以原文为准）。
实验关键数据¶
主实验¶
| 任务 | CycleManip成功率 | Baseline成功率 | 循环准确率 |
|---|---|---|---|
| 锤钉子 | 高 | 低 | 高 |
| 摇瓶子 | 高 | 极低 | 高 |
| 切胡萝卜 | 中高 | 低 | 中高 |
消融实验¶
| 配置 | 关键指标 | 说明 |
|---|---|---|
| Full CycleManip | 最优 | 完整框架 |
| w/o 进度预测 | 显著下降 | 辅助任务关键 |
| w/o 密集本体采样 | 下降 | 历史感知重要 |
| 仅视觉扩展 | 计算开销大但效果有限 | 证明成本感知采样的必要性 |
关键发现¶
- 方法在通用操作任务上也有很好的适应性，不限于循环任务。
- 可作为即插即用模块应用于VLA模型（如Pi0等）。
- 跨平台验证（双臂夹持器、灵巧手、人形机器人）证明了通用性。
- 密集本体感知采样的计算开销几乎可忽略，是最具性价比的历史建模方式。
亮点与洞察¶
- 首次系统性定义循环操作任务，填补了机器人操作研究的空白。
- 成本感知采样的设计直觉优秀：用免费的本体感知替代昂贵的视觉历史来捕捉循环模式。
- 进度预测辅助任务是一个简单但有效的trick。
局限与展望¶
- 进度预测离散化为10类可能不够精细。
- 当前仅支持固定循环次数，对"直到混合均匀"等动态终止条件未探索。
- 复杂物理交互（如不同材质的摩擦）可能需要更精细的力反馈。
相关工作与启发¶
- vs Diffusion Policy: 标准扩散策略使用短观察窗口，无法处理循环任务。CycleManip通过历史感知和理解扩展了其能力。
- vs VLA models: VLA模型也依赖短期观测，CycleManip的即插即用设计可直接增强它们。
评分¶
- 新颖性: ⭐⭐⭐⭐ 首次定义循环操作问题，方法实用但不复杂
- 实验充分度: ⭐⭐⭐⭐⭐ 8任务+3平台+仿真+真实+VLA集成
- 写作质量: ⭐⭐⭐⭐ 问题定义清晰，实验设计合理
- 价值: ⭐⭐⭐⭐ 填补重要空白，对机器人实际部署有价值