DSP：让机器人先学会玩，再用世界模型选动作
少量无目标示范如何变成可重复采集的数据来源？
DSP先模仿人类无目标玩耍，随后用同一策略自主采集接触转移，训练动作条件世界模型。规划时由玩耍策略提出候选，由目标奖励挑选；本文版本的RGB表格、结论与正文存在不一致，因此将硬件效果保留为作者报告。
图解主要方法
少量无目标示范如何变成可重复采集的数据来源？
- 1
学习的是互动先验
图2a以无目标遥操作轨迹训练扩散Transformer，输入观测历史，输出关节动作块。人类提供接触与换抓结构，而非每个最终任务的解法；这种示范先验仍是一种人工监督。
- 2
自主玩耍扩展转移
图2b部署策略记录观测—动作—后续观测。图2c用Diffusion Forcing给不同时间步不同噪声级别，学习给定历史和候选动作的未来状态；主要重定向实验使用手状态和带标签立方体姿态。
- 3
用目标给候选排序
图2d采样1024个候选，正文规划设置为预测50步、执行25步后重规划，以预测序列中的最佳目标奖励排序。目标只进入MPC评分，玩耍策略和动力学模型保持无目标；掉落重生后继续的仿真协议应单列。
- 4
用模型内自玩蒸馏
可选步骤从5.4万个历史状态各采24个目标，生成约130万MPC标签，训练带目标的闭环策略。减少在线搜索成本，但继承模型误差，不是新增130万真实成功示范。
实验与证据
已阅读正文全文（未见独立附录），核对实验条件与原图；未独立复现。
来源证据初始和目标相差超过90°，2500控制帧；0.6rad阈值下MPC91.4%、hindsight BC53.9%。701K计数帧对照PPO344M帧，后者该阈值86.7%。 仿真重定向：128个固定种子试次 ↗
我的解读约490倍差异是训练交互帧口径，不含示范、模型训练及规划计算，且PPO在更严精度条件下仍有优势。
来源证据Sharpa22关节、Manus示范、ZED标签跟踪；硬件时限120秒。1024候选的端到端重规划中位133.6ms、p95 141.1ms，RTX5090。 硬件协议与时间成本 ↗
我的解读异步动作块执行与重规划耗时是不同频率；不能把15–18Hz执行宣称成每步完成一次完整MPC。
来源证据正文RGB段把34.4/53.1/76.6%归给RGB策略、56.2/78.1/89.1%归给加入MPC；表II却以RGB-space/State-space命名两行。结论还保留硬件结果需冻结协议及部分结果待插入的文字。 公开版本内部不一致 ↗
我的解读不将这些数值当作已澄清的因果比较。保留方法与已说明的条件，等待作者统一协议、表格和最终结果。
开放情况与使用许可
作者FAR-hands/play_policy仓库包含数据采集、策略训练和规划实现；README仍写明代码、检查点和数据的许可证待作者选择。虽提供下载说明，本次未下载权重/数据，不能认定已经授予开源使用许可。论文及原图CC BY 4.0不自动覆盖这些资源。
LICENSECC BY 4.0（论文）
我的判断
独立分析 · 未复现实验正方 · 为什么值得投入
同一玩耍先验同时服务数据采集和规划提案，能减少模型在完全随机、缺少接触支持的动作空间里搜索。
反方 · 哪些结论还不够
当前版本有明确表文冲突及临时结论；单立方体、位姿标签、掉落重生和较长时限限制外推。自主玩耍的安全性来源于示范，不构成形式保证。
综合判断
值得跟踪的数据采集—模型—规划闭环；硬件成功率和RGB增益需作者澄清后再作为选型依据。
我会先做的验证
未执行的验证方案：固定不重生的闭环试次、最终姿态与持续保持条件，比较同预算hindsight BC、MPC与蒸馏策略，统计掉落、人工重置及规划算力，先要求作者澄清表II。