同一观测对应多个有效动作时，CVAE 的 KL 正则与流模型的 Lipschitz 平滑度决定策略能否保留多模态，而主流机器人仿真基准其实几乎单模态

论文给出多模态行为克隆的精确刻画：对每个观测，专家条件动作分布的支持被包含在有限个闭包不相交的模态集合中，并据此定义模态分配函数与模态标签随机变量，把“同一观测多个有效动作”从直觉说法变成可分析对象。 此前多模态 BC 方法多以 rollout 表现间接评估多模态，缺少对“哪些模型与训练量控制多模态”的统一定义；该工作补上这一形式化缺口。 定义与记号在正文第 2 节给出，配套的熵、条件互信息、Fano 不等式等工具在附录 A 中列出。

对潜变量策略，命题 1 证明准确恢复模态会迫使后验潜变量保留动作条件信息，其下界由模态标签的 Fano 修正熵给出；推论 2 进一步表明点式后验—先验正则强度增大时，可认证的条件互信息以相应速率被压低，从而出现多模态坍缩。 把 CVAE 中 KL 权重这一通常凭经验设定的超参数，与“能否区分示范模态”建立了显式定量联系，并给出达到目标模态恢复误差所需的阈值条件。 结论以命题、推论形式给出并附完整证明；合成任务上后验潜变量的 PCA 可视化显示小正则时按模态分簇、大正则时坍缩为重叠云团，20 次训练扫描中经验不等式均成立。

对动作空间生成策略，命题 2 表明基分布到动作的映射若 Lipschitz 常数较小，就无法给许多彼此分离的模态分配足够概率，覆盖多模态需要基空间中的急剧拉伸或动作空间中的桥接区域；因此任何过度限制网络 Lipschitz 常数的稳定化或正则化都会损害这一机制。 将扩散/流匹配策略的多模态能力归因于采样映射的几何性质而非单纯的表达力，并给出模态数与 Lipschitz 常数、模态间距之间的显式关系。 证明借助高斯等周不等式以避免依赖基空间维度；合成任务上用有限差分估计跨模态转移敏感度，高敏感度、桥接比例可忽略的运行成功率较高，低敏感度、桥接比例较大的运行成功率较低。

作者提出基于局部联合状态—动作 GMM 与模态聚类的条件多模态估计器，用于没有真值模态标签的数据；该估计器在合成基准上重建出真实模态数，但在 Push-T、UR3、LIBERO、Meta-World 上给出的估计极接近 1，Kitchen 在动作时域 30 时最高，而真实机器人双模态组织抓取数据多模态更强。 把“基准数据到底有多模态”从假设变成可测量的诊断量，并据此解释为何确定性回归在这些基准上仍然有竞争力。 估计器在合成任务上通过与真值对比验证；仿真与机器人数据集使用分层采样的查询状态与固定邻域半径，并报告了不同半径下的完整结果。

该分析适用于动作分块的行为克隆策略，覆盖潜变量策略与动作空间生成策略两大家族，结论在合成多模态导航任务、标准机器人仿真基准以及一个真实机器人双模态组织抓取任务上得到检验。对希望选择 KL 权重或判断是否需要多模态策略的实践者，论文提供了基于目标模态恢复误差的启发式选择流程，以及判断示范数据是否真正多模态的诊断方法；对理论研究者，它给出了模态保留与正则强度、Lipschitz 常数之间的可检验关系。

推论 2 是训练无关的：它给出达到目标模态恢复误差的必要条件，但不保证训练一定能找到具备该性质的解，论文也报告了若干低于阈值却仍失败的运行。命题 2 刻画的是低 Lipschitz 采样器的结构性限制，而非具体训练结果。多模态估计器依赖邻域半径、动作时域与聚类超参数，且论文指出数据多模态本身是时域相关的；对只有视觉特征的数据如何估计模态数仍是开放问题。此外，仿真基准上观察到的有限条件多模态是否也适用于大规模真实机器人数据集，尚待进一步研究。