據報導：UPenn、MIT 與 Stanford 團隊以 RAPID 與 TR 指標，將雙臂機器人真機泛化成功率提升至 83%

AI 科技評論報導，UPenn、MIT 與 Stanford 團隊在 IROS 2026 分享 RAPID 閉環框架，主張雙臂機器人在複雜組合任務上的真機泛化成功率可達 83%；目前這些說法僅有單一媒體來源，尚無其他佐證來源確認。 RAPID 以單次人類示範學習推、翻轉、支點旋轉與抓取等原語，先由 Coding Agent 將示範拆解成以物體為中心的約束程式，再交由 Real2Sim 物理校驗器檢查碰撞與可行性，並把結果回饋給 Coding Agent 迭代修正。報導稱，RAPID 在涵蓋書架、隔板等場景的 8 項複雜非抓取真機任務中，能組合推、翻、壓移、支點、傾倒與抓取等操作。 團隊同時提出時間比率（Temporal Ratio，TR）作為診斷指標，定義為「未來影格的注意力權重／目前影格的注意力權重」。報導稱，TR 越高代表 Action Head 越依賴影片模型預測的未來狀態；峰值 TR 可預測組合式分布外（OOD）泛化能力，而 TR 偏低的模型泛化成功率接近零。研究也透過調整影片噪聲水平 σ_v 提高 TR，觀察到同一模型的 OOD 成功率隨之上升。 這項分析源自團隊對影片預測與動作控制脫節問題的研究。先前的 AVDC 框架以語言指令與 RGB-D 觀察預測未來影片，再從光流和深度資訊估計物體的 3D 運動，最後轉換成笛卡兒控制指令；報導稱，這套解耦流程能處理抓取、移動與放置，但難以應付翻轉、按壓及支點旋轉等富接觸操作。 後續的影片－動作聯合模型採用 Cosmos Predict 2.5-2B 作為影片模型骨幹，並把其中間潛特徵、本體狀態及含噪動作 Token 傳給 Gemma Action Head。實機與模擬測試顯示，影片模型即使預測出合理的未來畫面，Action Head 仍可能產生錯誤控制；報導並稱，LoRA 聯合訓練可在分布內與組合式 OOD 表現間取得平衡，而全參數微調較容易偏向分布內效能。 在另一項「物品懸掛」任務中，報導稱傳統模型規劃單次求解超過 5 分鐘，使用 10 萬個合成水杯資料訓練的純資料驅動方法，單次示範泛化成功率為 42%；結合視覺對應與約束最佳化的方法，則在單次示範下達到 93%。報導最後指出，團隊提出不重新訓練模型的自適應引導方案，將無分類器引導延伸為語言引導與計畫引導，並以此取得 83% 的真機 OOD 成功率。