模仿意图，而非仅仅是轨迹

虽然模仿学习（IL）通过生成建模和预训练在灵巧操作方面取得了显著成功，但视觉-语言-动作（VLA）模型等前沿方法在适应环境变化和技能迁移方面仍面临困难。我们认为这是因为模型只是在模仿原始轨迹，而不理解其背后的意图。为了解决这个问题，我们建议在端到端模仿学习中明确将行为意图与执行细节解耦：即“模仿意图，而非仅仅是轨迹”（MINT）。我们通过多尺度频域 Token 化来实现这一点，它强制对动作块表示进行频谱分解。我们学习具有多尺度从粗到细结构的动作 Token，并强制最粗糙的 Token 捕捉低频全局结构，而较细的 Token 编码高频细节。这产生了一个有利于规划和迁移的抽象意图（Intent）Token，以及能够精确适应环境动态的多尺度执行（Execution）Token。基于这种层次结构，我们的策略通过下一尺度自回归生成轨迹，执行从意图到执行的渐进式推理，从而提升学习效率和泛化能力。关键的是，这种解耦通过简单地将演示中的意图 Token 注入到自回归生成过程中，实现了技能的一次性迁移（one-shot transfer）。在多个操作基准和真实机器人上的实验展示了最先进的成功率、优越的推理效率、针对干扰的强健泛化能力以及有效的一次性迁移。