内容摘要
同一机器人观测可能对应多条可行轨迹，但并行预测多个候选仍可能出现模式坍缩，重规划时也可能切换到不兼容的行为。作者提出条件轨迹峰（CTP），尝试同时解决行为多样性与跨动作块的一致性问题。
CTP通过一次共享网络前向传播，联合预测完整动作块候选、概率质量与尺度。训练时，DAPS以轨迹级后验责任分配和概率、尺度感知的重叠约束促进候选分工；执行时，ETBT通过几何对应传递历史行为信念，并允许当前证据较强或对应不可靠时解除历史约束。
作者报告，CTP在Push-T的覆盖得分为91.40%；冻结π₀.₅视觉语言骨干后，在LIBERO上平均成功率为97.25%。真机双盘放置任务允许任选一个盘，50次试验全部成功，左右两种放置模式均被保留。
在作者的本地LIBERO对照中，CTP与π₀.₅均预测50步、执行10步；完整策略调用平均延迟从218.24毫秒降至75.80毫秒，计时包含视觉语言骨干、数据处理与信念解码。其他论文的成功率并非严格同协议结果，不据此作跨模型排名。
点评
提供了一条将轨迹级多模态表示、跨块行为连续性与单次前向推理结合的策略设计路径。
证据为作者论文中的实验报告，不作为独立复现结论。D3IL既有结果及LIBERO外部基线的协议并未完全匹配；真机结论限于文中任务，不能外推通用操作能力。
版本与核查范围
版本 2610.06104v1 · 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 figcaption[7]；#S3.SS1.p3.1；#S1.I1.i2.p1.1；figcaption[28]；#S3.SS5.p7.1；#abstract1.1；#S4.SS1.p3.1；#S4.SS6.SSS1.p1.1；#S4.SS6.SSS1.p2.1；#S4.SS4.p3.1；#S4.SS4.p3.1；#S4.SS4.p2.1