核心发现
方法论
FOCI Policy通过自动提取演示中的交互片段，并以任务相关对象间的相对SE(3)运动表示技能。该方法在时间和空间上实现了双重抽象，减少了场景配置和机器人结构的影响。通过点云和语言指令预测交互片段，从而恢复可执行的机器人动作。
关键结果
- 在RLBench任务中，FOCI Policy在仅需一次演示的情况下，平均成功率达到43.7%，显著优于使用多次演示的基线方法。
- 在COLOSSEUM中，FOCI Policy在严苛视觉扰动下的表现优于VLA模型，尽管后者使用了更多数据。
- 在RLBench-18任务中，FOCI Policy在易于定位的任务上成功率为79.6%，而在困难任务中，使用真实姿态信息时成功率可提升至78.1%。
研究意义
FOCI Policy通过对象间相对运动的建模，提供了一种简单高效的归纳偏置，显著提高了数据效率和泛化能力。这一方法在学术界和工业界都具有重要意义，尤其是在需要高精度和鲁棒性的机器人操控任务中。
技术贡献
FOCI Policy在技术上通过引入交互片段的概念，减少了不必要的复杂性，增强了对场景变化的鲁棒性。与现有方法相比，该方法不依赖于大量的演示数据，提供了新的工程可能性。
新颖性
FOCI Policy首次将交互片段用于对象中心的操控策略中，通过相对运动的建模，解决了以往方法中存在的过度简化或过度复杂的问题。
局限性
- 在复杂遮挡场景中，交互片段的定位精度可能受到影响，导致性能下降。
- 该方法在某些需要精确姿态估计的任务中，可能受限于当前的感知技术。
未来方向
未来的研究方向包括提高在复杂场景中的交互片段定位精度，以及结合更先进的感知技术以提升整体性能。
AI 总览摘要
在机器人操控领域，现有方法常常依赖于大量演示数据来学习动作策略，这不仅耗时且难以泛化。FOCI Policy通过聚焦于对象间的相对运动，提出了一种高效的解决方案。
该方法通过自动提取演示中的交互片段，并将其表示为任务相关对象间的相对SE(3)运动，显著减少了对场景配置和机器人结构的依赖。实验结果表明，FOCI Policy在RLBench和COLOSSEUM等基准测试中表现优异，尤其是在数据有限的情况下，表现出色。
这一研究不仅在学术界具有重要意义，也为工业界提供了一种高效的机器人操控策略，特别是在需要高精度和鲁棒性的任务中。然而，未来的研究仍需解决在复杂场景中的定位精度问题，以进一步提升其应用潜力。
深度分析
研究背景
机器人操控领域近年来取得了显著进展，尤其是在对象中心的策略学习方面。传统方法通常依赖于大量的演示数据，直接从观察到动作的映射。然而，这种方法在面对新场景或对象配置时，往往表现不佳。近年来，研究者们开始关注对象间的相对运动，以提高数据效率和泛化能力。
核心问题
现有的对象中心操控策略在建模对象间相互作用时，常常面临过度简化或过度复杂的问题。如何在有限数据下有效地学习对象间的关系操控策略，是一个亟待解决的难题。
核心创新
FOCI Policy通过引入交互片段的概念，实现了时间和空间上的双重抽象。该方法通过自动提取演示中的交互片段，并以任务相关对象间的相对SE(3)运动表示技能，显著提高了数据效率和泛化能力。
方法详解
- �� 自动提取交互片段：通过变化点检测算法识别演示中的关键交互阶段。
- �� 相对运动建模：将技能表示为任务相关对象间的相对SE(3)运动。
- �� 数据处理：使用点云和语言指令预测交互片段。
- �� 动作恢复：从预测的交互片段中恢复可执行的机器人动作。
实验设计
实验在RLBench和COLOSSEUM等基准测试上进行，评估了FOCI Policy在不同任务和视觉扰动下的表现。使用单次演示和单个摄像头进行训练，比较了与现有基线方法的性能差异。
结果分析
在RLBench任务中，FOCI Policy在仅需一次演示的情况下，平均成功率达到43.7%。在COLOSSEUM中，FOCI Policy在严苛视觉扰动下的表现优于VLA模型。实验结果表明，FOCI Policy在数据效率和鲁棒性方面具有显著优势。
应用场景
FOCI Policy适用于需要高精度和鲁棒性的机器人操控任务，如物体插入、精确放置和复杂环境中的操控。其高效的数据使用和强大的泛化能力使其在工业自动化和服务机器人领域具有广泛的应用潜力。
局限与展望
尽管FOCI Policy在许多任务中表现出色，但在复杂遮挡场景中，交互片段的定位精度可能受到影响。此外，某些需要精确姿态估计的任务可能受限于当前的感知技术。未来研究应关注提高复杂场景中的定位精度。
通俗解读 非专业人士也能看懂
想象你在厨房里做饭。传统的做法是记住每一步的具体动作，比如切菜、翻炒等。但FOCI Policy更像是记住食材之间的关系，比如锅和铲子的相对位置。这样，即使你换了厨房，或者用不同的锅具，你仍然能做出同样的菜。这种方法通过关注食材之间的关系，而不是具体的动作步骤，来提高效率和适应性。
简单解释 像给14岁少年讲一样
想象你在玩乐高积木。传统的方法是记住每个积木块的具体位置和动作，但FOCI Policy更像是记住积木块之间的关系，比如哪个块应该在另一个块的上面。这样，即使你换了积木的颜色或者形状，你仍然能搭建出同样的模型。这种方法通过关注积木之间的关系，而不是具体的搭建步骤，来提高效率和适应性。
术语表
SE(3)运动
指在三维空间中的刚体运动，包括平移和旋转。
用于表示任务相关对象间的相对运动。
对象中心策略
一种通过建模对象运动而非直接预测机器人动作的策略。
用于提高操控策略的泛化能力。
变化点检测
识别时间序列数据中显著变化点的算法。
用于自动提取演示中的交互片段。
点云
三维空间中点的集合，用于表示物体的形状和位置。
用于预测交互片段。
交互片段
任务相关对象间的紧密相对运动阶段。
用于简化操控策略的学习。
开放问题 这项研究留下的未解疑问
- 1 如何在复杂遮挡场景中提高交互片段的定位精度？
- 2 在需要精确姿态估计的任务中，如何克服当前感知技术的限制？
应用场景
近期应用
工业自动化
在工业自动化中，FOCI Policy可用于提高机器人在复杂环境中的操控精度和效率。
远期愿景
服务机器人
在服务机器人领域，FOCI Policy可用于提高机器人在家庭和公共场所的适应性和任务执行能力。
原文摘要
Object-centric manipulation policies improve generalization by modeling object motion instead of directly predicting robot actions. However, existing methods are often limited by representations which are either too simplistic to capture interaction dynamics or too dense to learn efficiently. We observe that many rigid relational manipulation tasks are governed by short interaction phases where the relative motion between task-relevant objects is tightly constrained. Based on this observation, we propose \textsc{Foci Policy}, an interaction-centric framework that achieves a two-fold abstraction: (1) temporally, by automatically extracting compact interaction segments from demonstrations;(2) spatially, by representing skills as relative $SE(3)$ motion between task-relevant objects, yielding invariance to scene configurations and robot embodiment. Experiments on RLBench, COLOSSEUM, and real-world tasks show that \textsc{Foci Policy} achieves strong performance with substantially less training data than prior object-centric and action-centric policies. These results suggest that modeling object-object interactions provides a simple and efficient inductive bias for rigid relational manipulation. Project page: \href{https://fitz0401.github.io/foci-page/}{fitz0401.github.io/foci-page/}.