MAVP：面向移动操作的地图感知视觉运动策略

成功的移动操作要求在保持精确空间定位的同时，协调基座与机械臂的运动。然而，基于演示训练的策略可能难以可靠地实现预期的基座运动，从而导致空间错位，进而造成后续操作失败。我们提出 MAVP（Map-Aware Visuomotor Policies），这是一种通过预测明确的基座位姿目标并利用定位反馈对其进行跟踪来提升执行可靠性的框架。MAVP 从远程操作演示中重建静态地图，并将演示中的基座轨迹表示在统一的地图坐标系中，从而为不同演示提供一致的空间监督。在执行时，该策略接收 RGB 观测、关节状态以及机器人当前在地图坐标系中的基座位姿，并联合预测目标基座位姿、机械臂动作和夹爪动作。低层控制器利用前馈运动和位姿误差反馈跟踪预测的基座目标，从而能够修正执行偏差。此外，我们在训练过程中采用位姿噪声增强，以提升策略对其位姿输入误差的鲁棒性。在六项真实世界操作任务和三类策略系列中，MAVP 在所有任务上均取得了高于无锚定速度控制的任务成功率。视频和更多结果见 https://123qwedsa123.github.io/mavp/。