分箱离散化

把每个连续动作维度等分成若干区间，用区间编号当离散 token。

分箱离散化是把连续机器人动作变成离散符号的最简单办法：对每个动作维度（如末端 x 方向位移、夹爪开合）划定取值范围，等分成若干个「箱」，用数值落入的箱编号代表它。RT-2 把每维分成 256 个箱，再把箱编号对应到语言模型词表里的 token，动作就能像文字一样被预测。OpenVLA 沿用 256 箱，但用训练数据的第 1 和第 99 百分位代替最小、最大值来定范围，避免个别离群值把区间撑大、降低精度。缺点是每个时间步、每个维度都要一个 token，高频控制时 token 多且相邻 token 高度相关，模型难学，FAST 等压缩式动作分词器就是为此提出的。

例子若 x 方向位移的范围是 -2 到 2 厘米，分成 256 箱后每箱宽约 0.016 厘米，0.5 厘米就记为第 160 号箱。

也叫

动作离散化、分桶、动作分箱、Action Binning

相关

动作分词器、动作表示、离散余弦变换、RT-2、OpenVLA、π0-FAST

来源

OpenVLA: An Open-Source Vision-Language-Action Model (arXiv:2406.09246)
RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control (arXiv:2307.15818)
FAST: Efficient Action Tokenization for Vision-Language-Action Models (arXiv:2501.09747)