ACT

ACT 这个缩写在机器学习/机器人里常指两种不同的“算法/模型”。结合你前面在聊操控与数采，我把两种都简要说明，并给出核心公式，方便你判断你要的是哪一个。

一) 自适应计算时间（Adaptive Computation Time，RNN/Transformer 的可变步推理）

• 核心思想：对每个输入，模型可以动态“多算几步”或“少算几步”，用一个“停机概率”来决定何时停止，从而在简单样本上省算力、在难样本上多推理。
• 关键机制
  • 在同一时刻对同一输入做微步迭代 n=1,2,…，每步产生隐状态 h_n 和一个停机概率 $$p_n=\sigma (w^{\top }{h}_n+b),p_n\in (0,1).$$
  • 累积停机概率并在达到阈值时停止： $$s_N=\sum _{n=1}^N{p}_n,\text{若 }{s}_N\ge 1-\epsilon \text{ 则停},R_N=1-\sum _{n=1}^{N-1}{p}_n.$$
  • 用权重对各微步的输出做加权汇总（最后一步用余量 R_N）： $$y=\sum _{n=1}^{N-1}{p}_n{o}_n+R_N{o}_N.$$
  • 训练时给一个“思考代价”惩罚，鼓励少步完成： $$\mathcal{L}={\mathcal{L}}_{\text{task}}+\tau (N+R_N).$$
• 用途：最早用于 RNN；在视觉/Transformer 中也有类似“早停/可变深度”的变体。

二) 动作分块 Transformer（Action Chunking with Transformers，机器人模仿学习）

• 核心思想：不是一步只预测“下一帧动作”，而是一次预测未来 H 步的“动作块/chunk”，以降低闭环时延、提高动作平滑性，特别适合双臂/接触等高频控制任务。
• 统一表述
  • 给定最近观测窗口和可选目标条件，模型输出长度为 H 的低层动作序列： $${\hat{\mathbf{a}}}_{t:t+H}=f_{\theta }(o_{t-k:t},g),{\hat{\mathbf{a}}}_{t:t+H}\equiv ({\hat{a}}_{t+1},\dots ,{\hat{a}}_{t+H}).$$
  • 常见动作定义（与 UMI 接口对齐）：末端自身坐标系的位姿增量 ΔT_{ee} 或 body-frame twist，加上夹爪开合 g。
  • 行为克隆训练目标（回归式示例）： $$\mathcal{L}(\theta )=\sum _t\sum _{h=1}^H\ell ({\hat{a}}_{t+h},a_{t+h}^{\star }),$$ 也可用概率建模（高斯/扩散）做极大似然。
  • 在线执行多采用“滚动重计划”：每 Δt 前向一次，采用新预测覆盖后续窗口，兼顾低时延与反馈纠偏。
• 优点与取舍
  • 优点：降低感知—决策—执行链路的等效时延；动作更平滑稳定；对双臂/接触任务鲁棒。
  • 取舍：H 太大易积累偏差，H 太小减不下时延；通常配合高频重计划与安全限幅/IK 优化。

如何选择

• 若你在看操控/UMI/ALOHA 等机器人模仿学习语境，“ACT”多半指“动作分块 Transformer”这一类方法。
• 若你在读序列模型/可变计算量的基础模型，“ACT”多半是“自适应计算时间”。

你更关心哪一个 ACT？我可以针对那个版本展开更细的结构、训练细节与落地实现（含损失、掩码、推理节拍、与扩散策略的对比等）。