具身智能空间视觉死穴，终于被最新顶会彻底解决！

57 0 0

文章摘要

近年来，视觉-语言-动作大模型在机器人操作领域展现出强大的复杂操作能力，但面临着严重的空间泛化瓶颈。研究团队精准诊断出该问题的根源在于模型普遍存在三重隐性耦合的捷径学习模式，即相机与基座耦合、相机与物体耦合以及物体与位置耦合。这种捷径学习导致模型并未真正理解空间几何关系，而是依赖固定视角下的虚假相关性，使得相机视角发生微小变化时任务成功率便会出现暴跌。

为破解这一空间泛化难题，研究团队提出了一种名为“运动之眼”的混合动态数据采集策略。该范式通过引入移动视角数据，让环境相机沿连续轨迹运动，提供稠密且近似均匀的多视角采样，从而彻底打碎三重耦合关系。在此基础上，团队将多固定视角数据与移动视角数据按特定比例进行混合，既解决了纯移动视角数据视觉输入方差过大导致策略难以收敛的问题，又保证了数据的多样性与互补性，从根本上消除了模型可利用的虚假相关性。

在真实机器人平台上的广泛实验验证了该方案的有效性。混合数据策略在多种主流视觉-语言-动作模型架构上均表现出优异的跨架构普适性，使各类模型的综合性能最高提升了26.8%。更为关键的发现是，空间感知能力具备跨任务迁移的特性，模型从简单代表任务中习得的空间理解能力能够直接泛化至从未见过的复杂操作场景中，这为大幅降低多任务数据采集成本开辟了全新路径。

这项被国际智能机器人与系统顶会接收的研究成果，为具身智能在真实物理世界中的应用提供了重要支撑。通过动态数据采集范式，未来的智能机器人能够有效容忍环境变化与设备安装偏差，在家庭服务、工业精密装配以及智能仓储分拣等多元实景场景中展现出更强的环境自适应能力。该技术促使机器人真正摆脱固定视角的技术束缚，实现类人化的三维空间感知，进而加速通用机器人走向现实世界与产业化落地进程。