Behavior Graphs: Unsupervised Graph Structures for Interpreting Robot Deployment Data

比喻：像把成千上万名乘客的出行记录画成一张地铁线路图。车站是“行为”，线路是行为之间的转换，线有多粗表示多少人走过，车站颜色表示从这里出发最后有多少人顺利到站。

1. 从回放到行为序列（→ P.2-3）。每个时刻的状态-动作对先用嵌入函数变成向量，默认用策略嵌入（policy embedding，即策略网络自己的观测编码器输出）。再用滑动窗口取平均以去噪，用 UMAP（一种非线性降维方法）降维，最后用 K-means 聚成 K 类，每一类就是一种“行为”。相邻窗口同类就合并成一段，于是每条回放变成一串互不重复的行为。

2. 压成一张图（→ P.3 式 3）。所有序列共用一个“开始”节点，终点是“成功”或“失败”。边权就是“从行为 u 出发，下一步去 v 的次数 ÷ 从 u 出发的总次数”。作者也给了前缀树（prefix tree）版本：同样的行为按不同顺序出现会分成不同分支，不需要马尔可夫假设，代价是节点数会变多。之后由 VLM 看每种行为的若干片段拼图（contact sheet）写说明，再自检一遍让全图说明一致（→ P.4）。

3. 两个读数（→ P.4 式 4-6）。 - 成功可能性：经过某行为的回放里最后成功的比例。又常出现、又常失败的行为，就是最该补数据的地方；把整条路径的边权相乘，还能找出最常见的失败路线。 - 进度估计：借用 SARM 的分段公式，但子任务换成图里自动发现的行为。每个行为分到的进度份额等于它在成功回放里平均占的时间比例，段内进度线性增长。整个估计器只靠统计，不训练任何网络。

Q1 用户研究（真机）（→ P.4-6）。DROID 平台上 3 个任务：摆桌（训练数据故意缺“牛奶盒在最左”）、备餐盘（考验精确抓取）、做饭（长时程）。18 名参与者每个任务看 60 条回放，分别用行为图或视频浏览器分析，然后选一种补数据策略。作者事先为每种策略各采 30 条示教并重训，用 60 次回放估成功率，因此能算出每个选择的遗憾值（regret，与最佳选项的成功率差，越低越好）。 - 混合效应模型校正后，自评时间压力（越低越好）行为图 38.7 vs 视频 64.8，费力程度（越低越好）38.1 vs 61.0，分别下降 40.3% 和 37.6%。 - 信心（越高越好）61.3 vs 58.8、遗憾值 7.9 vs 7.0，差异的 95% 可信区间都跨过 0：决策质量没有变好，只是更省力（→ P.6 表 I）。 - 第三个任务可自选工具时，16/18 人选了行为图。 - 重训结果显示：只有对准最常见失败模式的数据才有效（摆桌只有“牛奶盒在左”有显著提升；做饭任务任何单一子任务补数据都没有显著差别）（→ P.5 图 5）。

Q2 进度估计（→ P.6-7）。43 个数据集，3 折交叉验证。对比两个 VLM 进度估计器 Robometer、TOPReward，以及在同一策略嵌入上训练的 MLP。指标：VOC 和 Kendall τ（预测进度与真实时间顺序的排序相关，越高越好）、MAE（与线性真值的平均绝对误差，越低越好）、AUC（用最终进度判断成败，越高越好）。 - 平均 VOC 0.945、Kendall 0.923、MAE 0.072，三项都最好；最强基线（MLP）为 0.769、0.629、0.155。 - LIBERO 上 MLP 在 VOC 和 MAE 上略好；AUC 平均是 Robometer 最好（0.824 vs 0.802）。 - 胜过同特征的 MLP，说明“行为结构”本身是有用的先验。

Q3 消融（→ P.7 表 III）。以子任务分割为代理任务（真值用夹爪开合启发式近似），在 3 个真机数据集上比较特征与降维方式。按三种降维取平均，策略嵌入 F1 0.226，好于本体感觉 0.132 和 DINOv3 0.113；降维方式没有一致结论。

代价：不训练神经网络，只做聚类和计数；论文未报告运行时间。