- 端到端机器人策略在真实部署时面临训练与推理条件的**分布外(out-of-distribution)** 差距，现有方法仅靠增加数据规模难以解决
- 具有**移动参考框架(moving frame of reference)** 的机器人比固定框架机器人更难部署，导致泛化失败
- 现有研究缺乏对**本体状态编码(proprioceptive encoding)** 策略的系统评估，尤其缺乏针对分布外场景的鲁棒性对比
- 系统性研究多种**关节表示(joint representations)** 编码策略，包括绝对编码、相对编码等
- 提出一种简单的**基于episode的相对框架(episode-wise relative frame)**，将机器人本体状态表示为相对于当前episode初始状态的偏移
- 在**真实机器人实验(real-robot experiments)** 中，于逼真测试环境下进行分布内和分布外任务的对比评估
- **首创性的系统评估**：首次对不同本体状态编码策略在分布外泛化场景下进行公平、系统性的实验比较
- **简单有效的相对编码**：提出的episode-wise相对框架在任务性能和鲁棒性之间取得最佳平衡，优于绝对编码等基线
- **实用路径启示**：为利用不同参考框架（如移动机器人）收集的数据以及部署到未见配置提供了一种无需复杂修改的实用解决方案
- 揭示了**本体状态编码(proprioceptive encoding)** 对机器人操纵鲁棒性的关键影响，尤其是相对编码的优势
- 在真实机器人实验中验证了**episode-wise相对框架** 的优越性，为实际部署提供了有效策略
- 为未来机器人研究提供了**数据利用和部署的实用指南**，降低了对固定参考框架的依赖