内容摘要
仅用单一底座位姿的示范训练操作策略，部署时厘米级偏移就可能使视觉观测与末端轨迹偏离训练分布。作者提出MobileVISTA，将标准位姿示范离线扩展为位姿扰动数据，核心是联合增强第一视角观测与重定向动作，而非只改变图像。
视觉分支先移除机器人、重投影场景，再合成重定向姿态下重新渲染的机器人；动作分支在末端空间补偿底座变化，必要时通过全身逆运动学求解关节配置。该配置同时决定相机外参与机器人几何，面向相机随驱动链运动、机器人身体出现在画面中的设置。
作者在仿真及真实Galaxea R1 Pro上评测。真机每项任务采集50条标准位姿示范，随机测试偏移从半径15厘米圆盘内采样，同一偏移下各策略不重新定位。书本堆叠中，MobileVISTA抓取成功17/25、堆叠成功13/25，各基线两阶段均不超过2/25。但标准位姿下，其堆叠为18/25，低于Canonical-2D的24/25和微调π₀.₅的25/25，显示扰动鲁棒性收益伴随该任务的精度代价。
点评
作者实验支持以配对的视觉—动作合成数据改善底座位姿鲁棒性；这是数据生成框架，不是新的策略架构，也不应据此推断通用操作能力。
结论限于作者测试：平移扰动范围为15厘米、训练偏航范围为±5°，真机测试未显式控制偏航，范围外未验证。方法依赖机器人几何模型，未增强腕部相机。
版本与核查范围
版本 2610.07511v1 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 #abstract1.1；#S3.p1.1；#S1.I1.i1.p1.1；#S1.I1.i2.p1.1；#S3.SS2.p1.1；#S2.p4.1；#S1.p4.1；#S4.SS4.p1.2；#S4.SS4.p2.1；#S4.SS4.p3.1；#S4.T2.4；#S4.p4.1