当家庭服务机器人面对“把马克杯放进抽屉并关紧”“将西兰花放入冰箱保鲜层”这类多样化任务时，我们总希望它能像人类一样“举一反三”。

传统多任务模型为了兼顾通用性，往往陷入“样样通却样样松”的负迁移困境；现有检索式学习要么困于领域特定编码器的局限性，要么受限于全轨迹检索的粗粒度，无法挖掘不同任务间共享的底层动作规律。

就在这样的技术困局中，华盛顿大学与博世人工智能中心联合提出的STRAP（Sub-sequence Trajectory Retrieval for Augmented Policy Learning）框架横空出世，以“子轨迹检索”为核心创新点，构建了一套从数据利用到政策训练的完整解决方案。

项目链接：https://weirdlabuw.github.io/strap/static/documents/strap_2025.pdf

一、STRAP有什么用？

在STRAP出现之前，机器人少样本模仿学习始终被三重枷锁牢牢束缚，这些痛点也直接催生了STRAP方法体系的设计逻辑。

1. 多任务学习的“负迁移陷阱”

多任务策略训练的初衷本是“集百家之长”——通过整合大量不同任务的数据，让模型习得通用技能以适应新场景。但现实往往事与愿违：不同任务的语义逻辑存在天然冲突，模型为了覆盖更多任务，不得不牺牲单任务的优化精度，最终陷入“平均主义陷阱”。

比如训练一个同时包含“拾取易碎花瓶”和“搬运沉重铁块”的模型时，前者需要轻柔缓慢的动作，后者需要果断有力的发力，模型很难同时兼顾两种动作的核心特征，导致在单独执行任一任务时都表现拉胯。

2. 传统检索方法的“粒度困境”

检索式学习本是少样本场景的“救星”——利用少量目标任务数据，从大规模离线数据集中检索相关样本辅助训练。

但现有方法存在两大致命缺陷：

一是“特征鲁棒性不足”，依赖在特定数据集上训练的领域特定编码器，一旦环境光照、物体纹理发生变化，特征提取就会“失效”；

二是“检索粒度不合理”，要么检索单个状态-动作对，丢失了动作的时序动态信息；要么检索完整轨迹，而完整轨迹中往往包含大量与目标任务无关的片段，同时无法捕捉不同任务间共享的局部行为。

举个具体的例子：当目标任务是“将碗放入橱柜抽屉并关闭”时，现有全轨迹检索方法可能因为找不到“完全一致的完整轨迹”而束手无策，却忽略了“拾取碗”“推动抽屉关闭”这些核心子动作，在“将杯子放在抽屉上”“打开顶柜并关闭底柜”等其他任务中其实普遍存在。

这种“捡了芝麻丢西瓜”的检索方式，让大量有价值的跨任务数据被浪费，直接限制了模型的泛化能力。

3. 视觉差异与数据效率的“矛盾死结”

现实世界的机器人操作场景，天生具有“多样性”特质：同样是“拾取苹果”，在厨房的暖光环境下、书房的冷光环境下，甚至苹果表面是否带水珠，都会导致视觉观测的巨大差异。现有方法大多依赖“场景专属”的特征提取器，环境一变，特征表示的鲁棒性就急剧下降，检索和训练效果自然大打折扣。

同时，机器人学习对“数据效率”的要求极高。在家庭服务场景中，不可能为每个新任务收集几十上百次专家演示——不仅耗时耗力，还可能因场景限制（如操作易碎品、危险品）无法重复收集。

正是这三重枷锁的叠加，让研究团队意识到：必须跳出“全轨迹检索”和“多任务蛮力训练”的固有思维，从“子轨迹”这一更精细的粒度切入，构建一套全新的方法体系——STRAP由此诞生。

二、STRAP的核心方法

如果把STRAP比作一台精密运转的“智能检索-训练引擎”，那么子轨迹分割、视觉特征编码、子序列动态时间规整检索（S-DTW）、语言条件政策训练这四大模块，

​

1. 子轨迹分割：

其核心逻辑很简单：机器人执行原子动作时，末端执行器的速度会呈现“启动-稳定-停止”的规律；而在两个原子动作之间的过渡阶段，末端执行器的速度会趋近于零。基于这一特性，STRAP设定了一个速度阈值，当机器人末端执行器的速度绝对值持续低于该阈值时，就判定为“动作过渡点”，以此为界分割子轨迹。

比如在“拾取碗-放入抽屉-关闭抽屉”的完整轨迹中，机器人拾取碗后会有短暂的停顿（速度趋近于零），这个停顿点就会被识别为“拾取碗”和“移动碗到抽屉”两个子轨迹的分界点；而在将碗放入抽屉后，又会有一个停顿点，分割出“移动碗到抽屉”和“关闭抽屉”两个子轨迹。为了避免分割出过短的“无效片段”，STRAP还会对长度小于20个时间步的子轨迹进行合并，确保每个子轨迹都能完整反映一个原子动作的动态过程。

这种自动分割方法的优势显而易见：

一是完全脱离对外部标注的依赖，适配任意任务场景；

二是分割精度高，能精准捕捉原子动作的边界；

三是效率极高，可实时处理机器人的轨迹数据。正是这一模块，为STRAP后续的精准检索打下了“零件级”的基础。

2. 视觉特征编码：

子轨迹分割完成后，下一步就是提取特征——这是检索的“核心依据”。传统方法的痛点在于，特征提取器是“场景专属”的，换个环境就“失灵”。STRAP的解决方案是：直接采用预训练的视觉基础模型作为特征提取器，利用其在海量数据上习得的“通用视觉认知能力”，抵御场景变化的干扰。

具体的编码过程非常简洁：STRAP将机器人的相机观测（包括手部特写相机和全局场景相机的图像）输入视觉基础模型，直接输出768维的特征向量。与传统方法不同的是，STRAP不会对一个子轨迹中的连续观测特征进行“时序平均”，而是完整保留每个时间步的特征向量——因为原子动作的动态性恰恰体现在“特征随时间的变化规律”中，平均化会丢失关键的时序信息。

为了验证这种编码方式的鲁棒性，研究团队做了一组对比实验：分别用DINOv2、CLIP和传统的领域特定编码器提取特征，在不同光照、不同物体姿态的场景下进行检索。

更重要的是，这种编码方式完全“开箱即用”——不需要在机器人数据集上进行任何微调，极大降低了部署门槛。对于机器人开发者而言，只需将相机图像输入预训练模型，就能得到鲁棒的特征向量，无需再花费大量精力训练专属编码器。

3. S-DTW检索：

有了“零件”（子轨迹）和“语言”（特征向量），接下来就是最关键的一步：如何从大规模离线数据集中，精准找到与目标子轨迹最相似的子轨迹？这就需要解决两个核心问题：一是目标子轨迹与候选子轨迹的“长度可能不同”；二是两者的“时序节奏可能存在差异”（比如一个动作快，一个动作慢）。

​

S-DTW的运作过程可以分为“三步走”，我们用一个具体例子来理解：假设目标子轨迹是“拾取碗”（包含50个时间步，特征序列为Q），候选轨迹是“拾取杯子-移动到桌面-关闭抽屉”（包含200个时间步，特征序列为C），我们需要从C中找到与Q最相似的子片段。

点击链接机器人学会举一反三！阅读原文