强化学习
突破级
暂无讲解视频
收录解读
双臂机器人操作常被统一建模成一个同时接收两只手观测和状态、再直接输出联合动作的大模型。但这类 integrated-control 设定默认所有任务都需要强耦合协作，忽略了大量其实只需要弱耦合甚至局部独立决策的子问题，结果既增加模型复杂度，也削弱了对不同协作结构的表达能力。
这篇工作的关键新意是提出 decoupled interaction framework：先为每只手分别分配独立模型，专门学习非强协作任务中的局部控制，再通过 selective interaction module 自适应决定来自另一只手的信息应该如何参与决策。这样它既保留了独立建模带来的灵活性，又能在需要时显式学习协调关系，而且还能无缝接到现有方法和 multi-agent manipulation 场景中。
它值得正式收录，因为它不是再造一个更大的 manipulation policy，而是把双臂操作重新表述成“独立建模 + 选择性交互”的通用接口。这对 bimanual manipulation、multi-arm coordination 以及更一般的 embodied multi-agent control 都有可复用的方法外溢，而不只是单一 benchmark 提升。
它暂时不升到更高一级，原因在于当前证据仍主要集中在双臂操作这一具体子领域。虽然方法 framing 很清晰，也有明显泛化潜力，但是否会成为机器人协作控制的默认建模范式，还需要更多跨平台和后续采用来验证。