TeAR：在执行器退化下的操控策略测试时自适应

TeAR 是一种策略无关的测试时自适应方法，在操控策略输出端引入轻量 Transformer，结合关节温度、电机电流、供电电压等实时遥测信号，对动作进行放大、阻尼或偏置修正。在 18 个策略-任务对上评估，含退化模型失配时 TeAR 成功率为 31.8%，高于基线 25.6% 与假设模型逆的 30.6%；真实机械臂上加热场景成功率提升 10-15%，无需在机器人端微调。