- 现有方法将动作潜在变量视为任务特定的中间变量，而不是**一等表示(first-class representations)**，导致嵌入空间非结构化、本体特定、与运动语义弱相关
- 限制了动作表示的可解释性、可控性和跨机器人**迁移性(transferability)**
- 研究背景：可扩展的机器人策略学习需要高质量的动作嵌入空间，但当前方法未将其作为首要设计目标
- 提出**PHASOR框架**，利用运动的固有周期性，将动作分解为**相位流形(phase manifold)** 和**姿态分支(pose branch)**
- 相位流形通过**FFT参数化系数(FFT-parametric coefficients)** 捕获循环结构；姿态分支条件化该流形上的非周期配置细节
- 结合**运动语义蒸馏(motion-semantic distillation)**，产生跨本体的、可解释且本体无关的运动流形
- 将多个人形机器人锚定到一个共享的**人类预训练流形(human-pretrained manifold)** 上，从而跨平台统一动作嵌入空间
- **动作嵌入作为一等设计目标**：将动作嵌入空间本身定位为设计的首要对象，下游策略质量源自表示质量，而非仅当中间步骤
- **周期分解实现本体无关**：通过相位+姿态的分解结构，利用运动周期性自然解耦本体特异性和通用运动语义
- **人类预训练锚定跨本体对齐**：将不同人形机器人的动作嵌入锚定到共享的人类运动流形，实现本体无关的统一空间
- **可解释的嵌入**：相位流形结构使嵌入具有明确的物理含义（周期性），提升可解释性
- 提出一种新颖的**跨本体动作表示范式**，统一不同人形机器人的动作嵌入空间
- 在跨本体检索任务上表现出色，并在下游机器人任务上实现一致性能增益
- 为机器人策略学习提供了基于**运动周期性(motion periodicity)** 的结构化表示理论基础，促进可解释性和迁移性