- 机器人系统具有丰富的**对称性(symmetries)**，但现有方法通常孤立地处理每种对称性，未能利用其组合潜力
- 许多机器人问题同时存在多种对称性，例如机械结构对称性和任务属性对称性，现有方法缺乏统一建模
- 研究背景：在**等变策略学习(equivariant policy learning)** 中，单一对称性已被证明能提升泛化性，但多对称性组合问题尚未解决
- 提出**跨空间对称组合(cross-space symmetry compositions)** 框架，学习对**配置空间(configuration space)** 和**任务空间(task space)** 中多种对称性联合等变的机器人策略
- 利用**正向运动学(forward kinematics)映射** 的**微分几何(differential-geometric)** 结构，实现对称性从配置空间向任务空间的**下降(descend)** 和从任务空间向配置空间的**提升(lift)**
- 将下降和提升后的对称性在**统一表示空间(unified representation space)** 中进行组合，从而构建联合等变策略
- **首次提出** 将多种对称性跨空间联合建模，打破了以往孤立处理对称性的局限
- **利用微分几何** 将正向运动学映射作为对称性传递的桥梁，实现**对称性的下降与提升(descending and lifting symmetries)**，这是独特的技术路径
- **统一表示空间** 使得原本位于不同空间的对称性可以有机组合，避免了手工设计或近似处理
- 在**双机械臂(dual-arm robot)** 的真实世界实验中验证了多对称性联合利用能显著提升泛化能力
- 为**机器人对称性学习(robotics symmetry learning)** 领域提供了首个**跨空间组合框架(cross-space composition framework)**
- 提出了一套系统的**对称性传递与组合方法论**，可推广至其他具有多对称性的机器人系统
- 通过仿真和真实实验证明了多对称性联合等变策略相比单一对称性策略具有更好的**泛化性能(generalization)**
- 推动了**几何方法(geometric methods)** 在机器人策略学习中的实际应用，为后续研究提供了理论基础与实验基准