- 现有**模仿学习(imitation learning)** 通常以演示相同的速度复现任务，但实际工业应用要求机器人**尽可能快执行**，而演示时间往往长于机器人执行所需时间。
- 直接均匀下采样整个轨迹存在问题：任务某些部分可以安全加速（如无约束运动），而另一些部分需要慢速精确运动（如物体交互、精细操作），统一加速会导致性能下降。
- 需要一种方法能够智能地识别轨迹中哪些部分可以加速、哪些部分必须保持精度，从而**学习比演示更快的策略(faster-than-demonstration policies)**。
- 提出**VOLT (Vision and Language Trajectory Segmentation)** 方法，基于**视觉和语言线索** 对视频演示进行**轨迹分割(trajectory segmentation)**。
- 对视频演示推理上下文线索，判断何时加速合适、何时需要谨慎精度，识别需要慢速精确运动的片段，然后**选择性地下采样(selectively downsample)** 其余可加速片段。
- 重格式化后的轨迹可用于标准**模仿学习(imitation learning)** 方法（如**扩散策略(diffusion policies)**）进行策略训练。
- **首次提出基于视觉-语言线索的轨迹分割**：利用视频演示中的视觉信息和语言指令来区分不同运动阶段，而非仅依赖轨迹几何或速度阈值。
- **选择性加速策略**：不同于均匀下采样或固定阈值方法，VOLT动态识别哪些片段可以安全加速，哪些需要保留精确运动，避免过度激进或保守。
- **分割质量是关键**：实验表明基线方法经常错误判断是否可加速，导致策略要么过于谨慎（速度慢）要么不可靠（失败），VOLT通过精确分割实现了更快且稳定的执行。
- 为解决**比演示更快的策略学习** 问题提供了有效且实用的范式，通过**视觉-语言轨迹分割** 实现了加速而不牺牲性能。
- 在标准模仿学习框架（如扩散策略）上验证了方法的有效性，表明结合分割的质量是加速策略的核心。
- 为**机器人学习中的速度-精度权衡(speed-accuracy trade-off)** 提供了新的视角，推动了从慢速演示到快速执行的自动化流程。