论文导读
斯坦福大学、普林斯顿大学提出TANDEM，让任务与运动规划器先做掉熟悉步骤，只在能力缺口处请人遥操。在一项代表性长时序任务中，相同人工介入时间能采集2.9倍示范；每项20条示范微调后，五项任务平均成功率从0%升至60%。
遥操员为什么总在重复机器人会的动作
收集长时序机器人示范时，人类操作员往往得从头到尾完成整个任务。但其中的抓取、搬运、放置等步骤，现有任务与运动规划已经能够自动完成。人类时间被消耗在机器人已经会做的部分，真正缺失的动作反而只占一段。
TANDEM把人类帮助定义为一种“按需规划能力”。系统先检查当前规划域能否表达任务所需状态和动作。如果发现缺少“盒子已打开”这个状态，视觉语言模型会增加缺失谓词，再把“揭开盒子”交给人执行。
图：Figure 2中，系统识别出开盒能力缺口，将人工遥操步骤插入自主抓放计划。
人做完一段，机器人要先验收
人工阶段结束后，TANDEM不会默认动作已成功。它重新观察场景，检查预期效果是否成立，再让自动规划继续执行。这一步很关键：如果人打开盒子后位置发生了变化，后续抓取必须基于新画面重新定位，不能照旧计划盲执行。
五项评测任务包含处理面包卷、解约束谜题、搬运零食、重构书本和把面包放进关闭的盒子。每个任务都混合了规划器能做的抓放步骤和域外操作。
图：Figure 3用连续帧标出五项任务中的自主TAMP阶段与人工遥操阶段。
未来落地：20条示范后，平均成功率从0%到60%
团队还用示例预训练轨迹，让规划器生成的运动更接近目标VLA模型原本见过的数据分布。每项任务只用20条TANDEM示范微调π₀.₅-DROID后，五项任务的平均成功率从0%升至60%。在一项代表性长任务上，相同人工介入时间获得的示范数是全程遥操的2.9倍。
图：Figure 6对比预训练策略、HITL-TAMP与TANDEM微调后在五项任务上的平均成功率和任务进度。
2.9倍来自一项代表性任务，60%也是这五项受控任务的平均值。下一步若要用到更大规模的机器人数据采集，需要检查视觉语言模型对能力缺口的识别是否可靠，以及人工阶段失败时能否安全回退。
它更像一种人机协作的数据生产协议，而不是完全取消人工。人的时间被集中到开盒、解约束等机器人真正不会的片段，规划器则承担其余可自动完成的步骤。实际部署还要记录每次介入的触发依据、验收结果与回退路径，否则错误的能力判断可能把危险步骤留给机器人，或者反过来频繁打断操作者。论文尚未覆盖开放工厂中的长期运行成本，这也是2.9倍效率能否外推的关键。
