第 23 章——第二个实验：复现 PushT

先看全景

一个小故事

推动钢琴中心附近，它可能平移；推动角落附近，它可能旋转。一张照片可能无法显示搬运者正在接近、保持接触，还是正在分离。

PushT 把这个故事变成一项模拟任务。蓝色智能体可以推、却不能拉一个 T 形物块，使其到达目标姿态。只有位置还不够：朝向、接触侧、接近方向，以及是否能够实施下一次有效推动都很重要。模拟回合成功，只能证明在这个设置和预算下能够控制——并不能证明掌握通用刚体物理，或拥有安全的机器人技能。

真正规则

论文报告 20,000 个专家回合，平均每个回合 196 个环境步，并训练 10 个 epoch。“专家”不代表覆盖了每一种有用接触模式。应从冻结产物建立一份支持范围图谱：接触位置、接近方向、物块位置与角度、动作幅度与方向、接触持续时间与丢失接触，以及回合边界。“稀疏”表示“记录证据很少”，而不是“物理上不可能”。

采用回合互斥的数据划分。记录产物版本和哈希、解压或转换、加载器、图像预处理、动作/状态归一化、history、frame skip 和动作宽度。冻结训练 YAML 指定 pusht_expert_train.lance；官方公开版本 655cd44 包含压缩 HDF5，而 README 和评估路径也描述 HDF5。

应区分四种复现目标：

1. 检查点能够载入，并产生有限输出；
2. 检查点能够运行锁定的评估；
3. 新模型能够完成训练并进入该评估；
4. 多个训练随机种子能够产生预先定义的统计结果。

论文卡片使用 history 3、10 个 epoch，并在没有另行说明时使用 SIGReg 权重 0.1。冻结代码也使用 history 3，但最多训练 100 个 epoch，权重为 0.09。这里检查的官方检查点版本是 22b330c。

可能骗过我们的把戏

构造两段短历史，它们的最后一帧几乎相同。一段中，推动者刚刚向内接触，并开始造成旋转；另一段中，它正在滑过物块并与之分离。为二者施加相同的下一动作。

如果完整历史产生符合实际的不同预测，说明近期视觉上下文有帮助。如果预测不同却与真实结果不符，则动力学错误。如果滚动展开有用，CEM 却选择了糟糕接触，应检查代价或搜索。故意把两段历史都替换为最后一帧，则是在测试可观测性的缺失。

应分类第一次分歧，而不只是最终图像：没有接触、从错误一侧接触、平移/旋转混淆、丢失接触、虚假进度、利用支持范围漏洞，或代价失败。解码器可以生成貌似合理的画面，却隐藏角度误差；探针可以解码角度，却不能证明预测器或代价会使用角度。

预言机代价加学习动力学测试排序；预言机动力学加学习代价测试滚动展开；两个预言机与同一个有限 CEM 预算结合，则测试搜索和动作参数化。这些是使用特权信息的教程诊断工具，不是可部署的 LeWM 基准。

实验凭据

目标并非任意选择。协议从记录轨迹中选取起点，并把 25 个环境步之后的状态作为目标，同时给出 50 步动作预算。规划使用五个模型动作块，每个块包含五个环境动作，并在重规划前执行五个块。CEM 使用 300 个候选、30 个精英、30 轮优化和初始方差 1。因此一份计划横跨 25 个环境步——冻结执行间隔也同样长。

LeWM v3 在相同的 50 条轨迹上报告了三个训练随机种子：

在该协议下，它们分别相差 4 和 18 个百分点，而不是普遍的百分比改进。图注把随附数值称为“variance”；只有 ± 记号本身，不足以把它改称 SD、SE 或 CI。成功率还应与位置和朝向误差、重叠度或任务指标、最近接近与反转、动作/重规划次数、带硬件信息的耗时记录及首次失败共同报告。

DINO-WM 使用预训练 DINOv2 编码器；原始 LeWM 则在任务轨迹上端到端训练视觉编码器。应始终明确显示预训练与模态来源。

快速检查

1. 为什么两张相似的 PushT 图像可能需要不同的下一步预测？
2. 支持范围图谱中的稀疏单元格意味着什么？
3. 为什么 96.0 ± 2.83 必须始终与确切协议绑定？