---
source: arxiv
url: https://arxiv.org/abs/2605.00475v1
published_at: '2026-05-01T07:35:15'
authors:
- Xianbo Cai
- Hideyuki Ichiwara
- Masaki Yoshikawa
- Tetsuya Ogata
topics:
- bimanual-manipulation
- fine-manipulation
- spatial-attention
- action-chunking
- imitation-learning
- low-latency-control
relevance_score: 0.72
run_id: materialize-outputs
language_code: zh-CN
---

# MSACT: Multistage Spatial Alignment for Stable Low-Latency Fine Manipulation

## Summary
## 摘要
MSACT 在 ACT 中加入显式的 2D 注意点跟踪，用于双臂精细操作。它在保持 ACT 级推理延迟的同时，提高了真实世界中的成功率。

## 问题
- 精细操作需要快速控制和稳定的视觉定位；漂移会导致接触失误、交接失败和时序错误。
- ACT 速度快，数据效率高，但它的视觉特征不约束空间一致性。
- 更大的 VLA 模型和扩散策略会增加计算或采样延迟，影响 50 Hz 机器人控制。

## 方法
- 该策略保留了 ACT 的动作分块、时间集成、ResNet 图像编码器和 CVAE 训练损失。
- 一个多阶段空间注意模块从顶部和前方相机中各提取 6 个归一化的 2D 点，然后把这 12 个点转成 Transformer token。
- 注意图来自 3 个 CNN 阶段，先做平均，再通过带温度控制的 2D softmax 生成坐标。
- 训练时，解码器预测未来动作块和未来注意点序列。
- 一个自监督的 L1 对齐损失把预测的未来点和从未来真实帧中重新提取的点进行比较，因此不需要人工关键点标签。

## 结果
- 在 4 个任务上的 400 次真实世界 ALOHA 试验中，MSACT 的整体成功率为 53.00%，99% 置信区间为 [46.58, 59.33]。相比之下，ACT 为 23.25% [18.27, 29.10]，SmolVLA 为 15.25%，π0.5 为 13.00%，Diffusion Policy 为 0.00%。
- 推理延迟接近 ACT：MSACT 为 45.40 ± 5.00 ms，ACT 为 45.34 ± 1.03 ms，SmolVLA 为 91.23 ± 1.34 ms，π0.5 为 112.1 ± 0.40 ms，Diffusion Policy 为 158.1 ± 14.9 ms。
- 论文报告称，使用 Fisher 精确检验对汇总后的真实世界结果进行比较时，MSACT 相对 ACT 的提升具有统计显著性，p < 0.001。
- 在真实世界最终阶段成功率上，MSACT 相比 ACT 在 Detach Network Cable 上从 26% 提高到 72%，在 Thread Velcro 上从 8% 提高到 21%，在 Open Match Box 上从 38% 提高到 63%；Insert Tea Bag 达到 56%，与 SmolVLA 持平，并高于 ACT 的 21%。
- 在使用人类数据的模拟 Cube Transfer 中，最终 Transfer 成功率从 ACT 的 50% 提高到 76%；在脚本数据下，从 86% 提高到 100%。
- 在模拟 Bimanual Insertion 中，最终 Insert 成功率在使用人类数据时从 ACT 的 20% 提高到 26%，在使用脚本数据时从 32% 提高到 49%。

## Problem

## Approach

## Results

## Link
- [https://arxiv.org/abs/2605.00475v1](https://arxiv.org/abs/2605.00475v1)