ALAS：通过异步通路流解耦实现自适应长时程动作合成
机器人学
2026-04-23 v1
摘要
人-场景交互（HSI）中的长时程（LH）任务是复杂的多步骤任务，需要跨领域进行持续规划、顺序决策和扩展执行才能实现最终目标。然而，现有方法严重依赖通过连接预训练子任务进行技能链式组合，环境观察与自身状态紧密耦合，缺乏泛化到环境和技能新组合的能力，无法完成跨领域的各种LH任务。为了解决这个问题，本文提出了ALAS，一个受生物启发的双流解耦跨领域LH任务学习框架。受大脑“where-what”双通路机制启发，ALAS包含两个核心模块：i）用于空间理解的环境学习模块，该模块捕获物体功能、空间关系和场景语义，通过完全的环境-自身解耦实现跨领域迁移；ii）用于任务执行的技能学习模块，该模块处理包括关节自由度和运动模式在内的自身状态信息，通过独立的运动模式编码实现跨技能迁移。我们在HSI场景中的各种LH任务上进行了广泛实验。与现有方法相比，ALAS能够实现平均子任务成功率提升23%和平均执行效率提升29%。
引用
@article{arxiv.2604.20721,
title = {ALAS: Adaptive Long-Horizon Action Synthesis via Async-pathway Stream Disentanglement},
author = {Yutong Shen and Hangxu Liu and Lei Zhang and Penghui Liu and Yinqi Liu and Liuxiang Yang and Tongtong Feng},
journal= {arXiv preprint arXiv:2604.20721},
year = {2026}
}
备注
10 pages, 7 figures. arXiv admin note: substantial text overlap with arXiv:2508.07842