只把 ACT 中的CVAE（Conditional Variational Autoencoder，条件变分自编码器）分支展开到足够细，并把CVAE Decoder = ACT Policy保留为一个相对抽象的下游模型模块，这样可以清楚看到at:t+ka_{t:t+k}at:t+k如何进入 CVAE Encoder、如何得到μ\muμ与logσ2\log\sigma^2logσ2、如何重参数化成zzz，以及zzz如何同时参与重建 Loss 和 KL Loss。先说明两个忠实性细节。论文正文与 Appendix C 明确给出：CVAE Encoder 的输入为学习到的[CLS]、当前关节位置和长度为kkk的目标动作序列；组成长度为k+2k+2k+2的序列，经过 Transformer Encoder 后只取[CLS]输出预测zzz的高斯分布参数，再通过重参数化采样。图像不进入 CVAE Encoder，只进入 CVAE Decoder / ACT Policy。turn744173view2 官方代码进一步确认 latent dimension 为 32，并且实际输出的是μ\muμ和logvar，而不是直接输出标准差。1. ACT 中 CVAE 分支：完整训练 Mermaid阶段 S6：CVAE 联合损失与优化目标（CVAE Joint Objective）阶段 S5：损失输入（Loss Inputs）阶段 S4：CVAE Decoder / ACT Policy（Action Reconstruction）阶段 S3：潜变量采样（Latent Sampling）阶段 S2：CVAE 后验编码（CVAE Posterior Encoding）阶段 S1：CVAE Encoder 输入嵌入（CVAE Encoder Input Embedding）阶段 S0：原始训练数据（Raw Training Data）子损失（Sub Losses）PosEmbPadding Maskzβ = 10PredictionTargetMaskPriorGradientGradientGradientGradient via zGradient数据模块：四视角 RGB 图像（RGB Images I_t）Shape: [B, 4, 3, 480, 640]数据模块：当前关节位置（Joint Positions q_t）Shape: [B, 14]数据模块：专家目标动作块（Target Action Chunk a_t:t+k）Shape: [B, k, 14]数据模块：动作填充掩码（Action Padding Mask）Shape: [B, k]模型模块：🔥 CVAE 输入嵌入（CVAE Input Embeddings）结构：Learned [CLS] + Joint Linear 14→512 + Action Linear 14→512数据模块：学习式分类 Token（Learned [CLS] Token）Shape: [B, 1, 512]数据模块：关节位置嵌入（Embedded Joint Positions）Shape: [B, 1, 512]数据模块：动作序列嵌入（Embedded Action Sequence）Shape: [B, k, 512]操作模块：序列拼接（Sequence Concatenation）顺序：[CLS] → q_t → a_t:t+k数据模块：CVAE Encoder Token 序列（Encoder Token Sequence）Shape: [B, k+2, 512] ACT 中的 CVAE（Conditional Variational Autoencoder，条件变分自编码器）分支
只把 ACT 中的CVAE（Conditional Variational Autoencoder，条件变分自编码器）分支展开到足够细，并把CVAE Decoder = ACT Policy保留为一个相对抽象的下游模型模块，这样可以清楚看到at:t+ka_{t:t+k}at:t+k如何进入 CVAE Encoder、如何得到μ\muμ与logσ2\log\sigma^2logσ2、如何重参数化成zzz，以及zzz如何同时参与重建 Loss 和 KL Loss。先说明两个忠实性细节。论文正文与 Appendix C 明确给出：CVAE Encoder 的输入为学习到的[CLS]、当前关节位置和长度为kkk的目标动作序列；组成长度为k+2k+2k+2的序列，经过 Transformer Encoder 后只取[CLS]输出预测zzz的高斯分布参数，再通过重参数化采样。图像不进入 CVAE Encoder，只进入 CVAE Decoder / ACT Policy。turn744173view2 官方代码进一步确认 latent dimension 为 32，并且实际输出的是μ\muμ和logvar，而不是直接输出标准差。1. ACT 中 CVAE 分支：完整训练 Mermaid阶段 S6：CVAE 联合损失与优化目标（CVAE Joint Objective）阶段 S5：损失输入（Loss Inputs）阶段 S4：CVAE Decoder / ACT Policy（Action Reconstruction）阶段 S3：潜变量采样（Latent Sampling）阶段 S2：CVAE 后验编码（CVAE Posterior Encoding）阶段 S1：CVAE Encoder 输入嵌入（CVAE Encoder Input Embedding）阶段 S0：原始训练数据（Raw Training Data）子损失（Sub Losses）PosEmbPadding Maskzβ = 10PredictionTargetMaskPriorGradientGradientGradientGradient via zGradient数据模块：四视角 RGB 图像（RGB Images I_t）Shape: [B, 4, 3, 480, 640]数据模块：当前关节位置（Joint Positions q_t）Shape: [B, 14]数据模块：专家目标动作块（Target Action Chunk a_t:t+k）Shape: [B, k, 14]数据模块：动作填充掩码（Action Padding Mask）Shape: [B, k]模型模块：🔥 CVAE 输入嵌入（CVAE Input Embeddings）结构：Learned [CLS] + Joint Linear 14→512 + Action Linear 14→512数据模块：学习式分类 Token（Learned [CLS] Token）Shape: [B, 1, 512]数据模块：关节位置嵌入（Embedded Joint Positions）Shape: [B, 1, 512]数据模块：动作序列嵌入（Embedded Action Sequence）Shape: [B, k, 512]操作模块：序列拼接（Sequence Concatenation）顺序：[CLS] → q_t → a_t:t+k数据模块：CVAE Encoder Token 序列（Encoder Token Sequence）Shape: [B, k+2, 512]