Jul 28, 2026 · MoMo
MoMo: Dial Motion Mode in Robot Manipulation with Spatiotemporal Action Tokenization
MoMo 是一个两阶段模仿学习框架，包含时空动作分词器和行为克隆 Transformer，以任务和连续运动模式条件为输入。在六个真实机器人操作任务中，改变该条件产生稳定、动态和中间行为，人类评分者可区分，且在关节速度、加速度和末端执行器接近俯仰角上不同。在仅以单一模式演示的任务上，MoMo 转移未见模式并保持任务成功率。
EVENT STORY
Development
- First ReportMoMo: Dial Motion Mode in Robot Manipulation with Spatiotemporal Action TokenizationarXiv cs.RO
- Industry ResponseMoMo: Dial Motion Mode in Robot Manipulation with Spatiotemporal Action TokenizationApple Machine Learning Research
- Current Assessment该研究暗示机器人操作技能可分解为任务内容和执行风格，可能推动更灵活、可适应的机器人系统，减少为每种风格重新训练的需求。Agent Pulse · analysis
MoMo 提出了一种可复用的行为因子——运动模式，通过时空动作分词器和行为克隆 Transformer 实现跨任务控制操作技能的执行方式。在六个真实机器人任务中，改变运动模式条件产生可区分的稳定、动态和中间行为，并在未见任务-模式组合上展示组合泛化。
MoMo 的核心是时空动作分词器，将动作序列编码为离散 token，并引入连续运动模式条件作为 Transformer 输入，实现执行层面变化的可学习。这类似于可控生成中的条件注入，但应用于机器人动作序列。
该研究暗示机器人操作技能可分解为任务内容和执行风格，可能推动更灵活、可适应的机器人系统，减少为每种风格重新训练的需求。
对于机器人公司，MoMo 可能降低部署成本，通过单一模型控制多种执行风格，提升产品适应性和用户体验。
后续可验证信号包括：MoMo 在更多任务和模式上的泛化能力、与现有模仿学习方法的对比、以及是否被集成到实际机器人产品中。