在控制器限制内重定时演示，实现更快的模仿

模仿策略会继承操作者的节奏，而通过重定时演示来提速，只在达到演示速度的两到三倍之前有效，此后成功率便会崩溃。近期方法将这种崩溃归因于分布偏移，并通过更精细的规则来决定哪些片段可以加速；我们表明，这种崩溃存在片段选择无法解决的机械层面原因。底层控制器在每个控制周期内只能实现有限的位移，因此合并连续指令会产生超出该界限的位移总和，形成要求被控对象完成其无法实现的状态转移的训练样本对。我们将重定时数据中此类样本对的占比称为超限占比，它能反映重新训练后的策略在何处崩溃。由此得到的规则只有一个参数：只要位移总和仍可实现，就进行贪心合并。这样，每条指令从构造上就保证可实现，演示的几何形态得以保留，且加速只发生在演示者留有余量的地方。在四项模拟 robomimic 任务上，每种实验配置均使用 200 个留出随机种子；当合并上限为两条指令时，四项任务的成功率均不低于冻结策略，其中 Square 高出 14 个百分点，同时成功回合的耗时缩短。在相同节奏下，均匀重定时在 Can 和 ToolHang 上的成功率分别低 9 和 16 个百分点，在另外两项任务上的差异处于噪声范围内，而在最难的任务上，达到 2 倍速时成功率降至零。加速位置同样重要：在四项任务中的三项上，打乱加速位置、熵引导或速度条件化的替代方案均未优于该规则，且差距无法仅用超限占比解释；在第四项任务上，当节奏处于任务可承受的范围内时，所有加速位置安排的表现均落在同一区间。这一原则同样适用于模拟人形机器人的全身跟踪器：在其速度包络范围内对 429 段参考动作进行重定时，在 2.3 倍速下有 71% 的片段成功，而均匀时间缩放在 2 倍速下的成功率仅为 51%。