（问题）近年来，机器人抓取、装配、双手协作等能力实验室与产业场景中加速演进，但“教机器人如何动”的基础环节仍存在共性难题：同样的任务，不同团队采用的指令接口各不相同——有的直接给出关节角度——有的描述末端位姿；有的下达“到达目标”的指令，有的分解为“下一步移动量”；这些差异表面是工程选择，实则会显著影响学习效率、成功率与泛化能力，也使研究成果难以横向比较、难以复现验证。 （原因）研究团队指出，动作空间设计长期缺乏系统性梳理，一上源于机器人硬件平台、控制器与传感配置差异较大，研究者往往沿用既有经验或单一平台的“默认设置”；另一方面，算法论文更关注模型结构与训练策略，接口层被视为实现细节而被弱化，导致同一算法在不同接口条件下表现差异被低估。随着模仿学习、强化学习等方法广泛用于操控任务，接口选择对数据效率与稳定性的影响被深入放大。 （影响）为回应这个基础性问题，清华大学牵头团队开展大规模实证研究，建立统一对照框架，对不同动作空间组合进行“同台测试”。研究将指令接口拆解为两个关键维度：其一是时间表述，区分“给出目标状态（绝对式）”与“给出增量变化（相对式）”；其二是空间表述，区分“在关节空间下达指令”与“在任务空间描述末端位置与姿态”。据此形成可扩展的分类体系，并在此基础上完成超过1.3万次真实机器人操作实验、训练500余个模型进行对比，涉及的论文可通过编号arXiv:2602.23408查阅。 实验结果显示，不同接口并非简单优劣之分，而是围绕“学习难易—执行稳定”形成清晰取舍：高层、任务空间描述通常更易学习、对数据更友好，但在复杂接触、精细约束或控制链路不完备时可能带来执行不稳定；更底层的关节空间描述可提升可控性与稳定性，但学习难度与样本需求往往更高。研究还强调，若缺乏统一接口约束，即便算法改进幅度有限，也可能因接口不同呈现“性能跃迁”或“效果坍塌”，从而造成误判，影响领域整体迭代效率。 （对策）针对上述问题，研究提出可复用的“指令接口选择”思路与评测路径：一是将接口选择显式纳入实验报告与对比协议，明确时间维度与空间维度的定义，减少“实现差异”带来的噪声；二是依据任务特性做匹配——对需要快速学习、容错较高的抓取搬运类任务，可优先考虑任务空间与相对式控制的组合；对接触丰富、精度约束强的插接装配、工具使用等任务，则需在接口层引入更强的稳定性约束或更细粒度的控制描述；三是推动建立跨平台、跨任务的统一基准，将接口设计与算法能力一并评估，提高研究结论的可迁移性。 （前景）业内人士认为，机器人操控正从“展示性能力”走向“可规模化部署”，标准化、可比性与工程可复用性将成为关键门槛。该研究以实机大样本验证的方式，为动作空间这一基础接口层提供了可讨论、可引用的“通用语言”，有助于形成更透明的研究链路：从数据采集、训练到部署的每一步都可追溯、可解释。随着工业制造、仓储物流、家庭服务等场景对稳定性与成本提出更高要求，围绕指令接口的规范化实践有望加速从论文结论走向工程标准，并推动软硬件协同优化。
这项突破展现了基础研究对产业变革的支撑作用。当机器人能够以更智能的方式理解世界时，我们不仅看到了技术瓶颈的突破，更看到了人机协同的未来——在那里，标准化与个性化将实现完美平衡。