- 研究**行为克隆(Behavioral Cloning, BC)** 在相同观测对应多个有效动作时（多模态性）导致的困难
- 现有工作对**动作分块策略(action-chunking policies)** 的多模态性问题理解不足，不同参数化方式失败模式不同
- 背景：机器人模仿学习中，观测-动作映射的非唯一性使得确定性BC难以拟合，需要探索不同多模态方法的失效机制
- 对比分析两种多模态参数化：**隐变量策略(latent-variable policies)** 和**动作空间生成策略(action-space generative policies)**
- 对于隐变量策略，研究了**后验-先验正则化(posterior-prior regularization)** 对部署时采样可靠性和模式信息保持的权衡
- 对于动作空间生成策略，分析了**基空间到动作空间映射的平滑性（Lipschitz常数）** 如何约束模态覆盖能力
- 通过合成多模态任务和机器人仿真基准实验验证提出的失效机制
- 首次系统揭示了动作分块BC中不同多模态参数化的**独特失效模式**，而不仅仅是泛泛讨论多模态性
- 提出隐变量策略中**正则化强度与模式信息保持的权衡**：过度正则化丢失条件信息，不足则依赖先验覆盖
- 发现动作空间生成策略中**基-动作映射的Lipschitz约束** 限制多模态覆盖，需要尖锐过渡或离支撑桥接区域
- 将理论分析与实验验证结合，为理解多模态BC失败提供清晰机理
- 为**动作分块行为克隆(action-chunking behavioral cloning)** 领域提供了多模态失效的系统性分类和机理分析
- 为实践中选择多模态参数化方法（隐变量vs生成模型）提供指导：根据任务模式分离程度和采样可靠性需求
- 在合成任务和机器人仿真基准上的实验验证了理论机制，帮助研究者避免常见陷阱
- 推动了对**模仿学习(mitation learning)** 中多模态性的深入理解，启发更鲁棒的多模态策略设计