论文：“RoboAtom: Large-scale Atomic-ActionSupervision For Robot Learning”， 2026年10月，来自上海人工智能实验室、浙江大学、复旦大学、清华大学和上海交通大学。

ROBOATOM 的主要价值，是将异构机器人数据整理成统一、时间对齐、可供模型学习的原子动作监督。论文对“大规模标注建设”和“自动标注性能提升”的证据较充分；对“组合泛化、真实机器人能力提升”的验证仍有限。

一、方法框架

ROBOATOM 包括数据构建、标注评测、自动标注模型和分层控制四个部分，其共同接口是：

原子动作片段 = （技能类别,动作描述,起止帧）

RoboAtom概览如图所示：

例如，“把杯子放进抽屉”可以分为 Pick、Open、Place；动作描述进一步记录操作对象、目标位置等信息。论文保留 29 类技能，并规定只有“主导技能改变”才建立新片段，接近、调整手臂等过程通常并入相邻动作。因此，这里的“原子”是标注协议定义的技能粒度，并非最小运动单元。

模块	主要功能	核心方法
RoboAtom-Data	统一已有轨迹的动作标注	标签映射、人工种子标注、PhysExtend 扩展、多阶段质检
PhysExtend	将少量参考标注传播到同任务轨迹	物理事件约束下的有序时间分割
RoboAtom-Bench	评测自动标注能力	同时考察时间边界、技能类别和序列结构
RoboAtom-Anno	根据视频自动生成动作片段	领域中训练、监督微调、GRPO
双系统控制	将原子动作监督用于机器人执行	高层选择技能，低层策略生成连续动作

1. 数据构建：人工确定语义，物理信号扩大标注规模

RoboAtom构建流水线如图所示：

流程为：

已有真实／仿真轨迹 → 统一格式与技能词表 → 模型辅助人工标注 → PhysExtend 传播 → 视觉与人工复核。

最终统计覆盖约 145 万条轨迹、688 万个动作片段、16,882 小时、16 个来源。这些主要是对既有数据增加和规范化标注，不能理解为新采集了同等规模的机器人演示。

其中，人工负责确定动作语义和可靠边界；PhysExtend 利用重复演示扩大覆盖；后续复核修正对象、颜色、顺序和边界等问题。（§3）

2. PhysExtend：在已知动作顺序下定位边界

这是论文最核心的算法部分。

设目标轨迹长度为 T，已知技能序列为 y_{1:M}，求满足

0 = b_0 < b_1 < ... < b_M =T

的边界。优化目标综合考虑：

• 相对于参考轨迹的位置和运动进度；
• 各动作片段的持续时间；
• 与技能相关的夹爪事件等物理证据。

算法先生成候选边界，通过动态规划联合选择，再利用可靠的抓取、释放事件修正边界。存在多个参考轨迹时，各自解码后融合，并保证边界有序、片段不重叠。

例如，Pick/Place 可利用夹爪状态变化，Move 可利用底盘运动；停顿、旋转和方向变化提供额外线索。

它解决的是“已知做什么、按什么顺序，确定什么时候发生”。它本身不从任意轨迹中发现未知技能序列。论文中的评测也明确要求同任务的五条轨迹具有相同技能顺序。（§3.3、附录 C.4）

3. RoboAtom-Anno：学习从视频直接生成标注

以 Qwen3.5-9B 为基础，训练分三阶段：

1. 机器人领域中训练：学习夹爪状态、空间关系、目标定位和动作规划等知识。
2. 监督微调：学习输出技能、描述和起止帧。
3. GRPO 优化：用时间匹配、连续时间重叠、技能序列一致性和格式正确性作为奖励。

需要区分：PhysExtend 使用机器人状态／动作信号及参考序列；RoboAtom-Anno 则执行视频到动作标注的预测。两者的输入条件和任务难度不同，得分不能直接比较。（§5.1）

4. 双系统控制：把标注变成策略的中间指令

• System 2：Qwen3.8-27B 根据任务知识库中的计划先验、当前视觉观察和执行历史，决定当前执行哪个原子动作。
• System 1：经微调的 π0.5 接收技能指令，输出机器人动作块。
• 执行后的观察反馈给 System 2，用于继续当前动作或切换下一动作。

训练时，轨迹中每个观察—动作样本获得所属片段的技能条件；部署时，这些条件由高层规划器生成。（图6、§5.2）

二、主要贡献及证据

第一，构建了跨数据源共享的监督接口。

论文把技能类别、对象级描述和时间边界统一起来，缓解不同数据集在词表、粒度和时间覆盖上的不一致。这对跨来源联合训练具有直接价值。

标注实验也支持质量的重要性：基础模型的 Skill F1@0.7 为 3.5，使用原始噪声标注后为 6.6，标签对齐与歧义过滤后为 17.1，使用 RoboAtom 监督的语言侧 LoRA 配置达到 23.0。不过，这些配置涉及数据来源与清洗变化，不能完全归因为单一因素。

第二，提出了有实用价值的低成本传播方法。

在同序列传播实验中：

方法／配置	Skill F1@0.7
Cortex，1 条参考	48.5
PhysExtend，1 条参考	71.0
PhysExtend，4 条参考	79.3

单参考情况下，整条轨迹全部子任务正确的比例为 69%，Cortex 为 37%。这些结果支持：针对技能设计的物理线索，有助于处理执行速度和停顿差异。（表2、图3）

第三，建立了更完整的标注评测体系。

RoboAtom-Bench 包含 500 条轨迹、4,018 个片段，覆盖短、中、长序列和多视角输入。指标分别衡量：

• 时间重叠：mIoU、Temporal F1；
• 时间与技能联合正确性：Skill F1；
• 技能序列结构：Edit Score。

这种拆分能区分“知道发生了什么”和“准确知道什么时候发生”，避免仅用语言描述质量评价机器人视频理解。

第四，展示了自动标注和控制两条下游价值。

实验	对照	ROBOATOM 结果
RoboAtom-Bench，Skill F1@0.7	GPT-5.6-sol：21.4	Anno-9B：30.1；27B：33.8
WGO-Bench Robot，Temporal F1@0.7	最强参考结果：31.3	Anno-9B：48.3
LIBERO-Long，成功率	95.00%	98.20%
LIBERO-Plus，总成功率	84.05%	88.18%
RoboTwin，平均成功率	64.37%	66.17%

外部 WGO 评测增强了自动标注结果的可信度。但其中报告的是时间指标，不能据此认定对象描述和动作语义也获得同等程度的提升。（表3、表4）

如图所示双-系统执行：

三、主要不足与结论边界

以下是结合实验设计作出的分析，其中大规模策略预训练与人类视频覆盖不足也由作者明确承认。

1. 传播依赖相同动作结构，限制了复杂轨迹覆盖。

PhysExtend 要求参考与目标共享技能顺序。实际任务可能出现额外重试、跳步、分支和不同完成路径，论文对结构不一致的任务采取排除扩展等处理。

这意味着方法非常适合重复演示丰富、执行结构稳定的数据，但对开放环境和失败恢复轨迹的适用性还不充分。不能将其理解为一般性的无监督技能发现方法。

2. 控制收益存在归因混杂。

控制实验同时改变了三个因素：

• 训练中的原子动作条件；
• 推理时增加的高层规划器；
• 任务知识库提供的计划先验。

虽然低层策略训练预算、观察和动作空间保持一致，推理系统获得的计算资源与先验仍不同。因此，实验支持的是整套分层方案有效，尚不能单独证明原子动作标注贡献了多少提升。

更有说服力的消融应分别测试移除计划检索、替换高层规划器，以及不同标注质量下的效果。

3. 长序列自动标注仍是明显短板。

Anno-9B 的 Skill F1@0.7 从 Short 的 71.1 降到 Long 的 17.3；整体也只有 30.1。（表 C.3）

这说明它相对通用模型的提升显著，但还不足以说明可以免人工生产高精度长任务标注。2 FPS、最多448帧的输入预算也限制了对短动作和长视频细节的捕捉。

4. 大规模数据质量的证据仍不够完整。

论文按“数据集—机器人类型”组合抽查，每组20条轨迹，并规定发布门槛：子任务分割准确率至少85%、整轨迹准确率至少75%。

但正文仍使用“达到标准后发布”的表述，缺少覆盖全部来源的最终质量报告、置信区间和标注者一致性统计。发布门槛不能当作全量数据已经达到的实测结果。

附录的自动复核提示还要求证据不足时保留原标注并输出“correct”。这有助于避免错误修改，但也意味着该模型复核结论不能直接视为独立质量真值。

5. 统一词表牺牲了部分语义细节，长尾能力验证不足。

29类中只有15类用于主要训练和基准，却覆盖99.2%的片段，说明技能分布高度集中。剩余14类的表现基本没有得到系统检验。

此外，Unfold 被并入 Fold、Unscrew 被并入 Screw，方向性语义留在文本描述中。Skill F1 只验证类别和边界，可能无法揭示这类描述错误；Edit 又会合并连续同类标签，可能掩盖重复操作次数错误。

6. 尚未证明大规模预训练收益与真实部署收益。

控制实验集中在仿真基准，尚无真实机器人闭环验证，也没有通过数据规模曲线证明145万条轨迹对通用策略预训练的价值。作者明确承认尚未验证大规模策略预训练。

同时，表4中 LIBERO-Plus Spatial 从93.01%降至92.46%，说明收益并非所有条件下一致。控制结果也未给出充分的多次训练随机种子统计，较小增益的稳定性仍需验证。

7. 成本优势需要限定口径。

PhysExtend 极低的成本是传播计算成本；Anno 的价格比较是推理成本。两者均不能代表完整数据生产成本，后者还需要人工种子标注、语义复核、模型训练及数据处理。论文报告人工精修约100美元／源视频小时，因此实际经济性取决于每份参考标注能复用多少次。

---

它是一项数据资源与标注工程贡献突出的工作，PhysExtend 是其中最有辨识度的算法；自动标注实验较有说服力，控制实验则提供了积极但尚未充分解耦的下游证据。 若要进一步支撑通用机器人学习的主张，最关键的是补充真实机器人验证、控制因素消融，以及数据规模与标注质量对策略能力的系统实验。