arXiv 2026年10月5日该工作提出本体感受动作模型（PAM），在单个 transformer 去噪器中联合生成机器人剩余关节空间路径的紧凑、无时间索引草图与稠密可执行动作块，草图按弧长而非时间参数化以捕捉与执行时序无关的几何意图，并用块因果注意力与错位去噪调度维持草图到动作的有向依赖；在仿真中于 Push-T 与 LIBERO-Long 上优于仅动作的对照方法，在四个真实双臂任务上把成功率从 47.5% 提升到 75.0%。该工作提出本体感受动作模型（PAM），在单个 transformer 去噪器中联合生成机器人剩余关节空间路径的紧凑、无时间索引草图与稠密可执行动作块，草图按弧长而非时间参数化以捕捉与执行时序无关的几何意图，并用块因果注意力与错位去噪调度维持草图到动作的有向依赖；在仿真中于 Push-T 与 LIBERO-Long 上优于仅动作的对照方法，在四个真实双臂任务上把成功率从 47.5% 提升到 75.0%。PAM 用本体感受草图表达长时程意图，在四个真实双臂任务上把成功率从 47.5% 提升到 75.0%该工作提出本体感受动作模型（PAM），在单个 transformer 去噪器中联合生成机器人剩余关节空间路径的紧凑、无时间索引草图与稠密可执行动作块，草图按弧长而非时间参数化以捕捉与执行时序无关的几何意图，并用块因果注意力与错位去噪调度维持草图到动作的有向依赖；在仿真中于 Push-T 与 LIBERO-Long 上优于仅动作的对照方法，在四个真实双臂任务上把成功率从 47.5% 提升到 75.0%。该工作提出本体感受动作模型（PAM），在单个 transformer 去噪器中联合生成机器人剩余关节空间路径的紧凑、无时间索引草图与稠密可执行动作块，草图按弧长而非时间参数化以捕捉与执行时序无关的几何意图，并用块因果注意力与错位去噪调度维持草图到动作的有向依赖；在仿真中于 Push-T 与 LIBERO-Long 上优于仅动作的对照方法，在四个真实双臂任务上把成功率从 47.5% 提升到 75.0%。