機(jī)器人操作模型雖然在語義理解上取得巨大成功，但往往被困在 2D 圖像的「錯(cuò)覺」中?，F(xiàn)有的機(jī)器人操作模型主要依賴 2D 圖像作為輸入，這意味著它們?nèi)菀讈G失關(guān)鍵的深度信息和 3D 幾何結(jié)構(gòu)。

具體而言，基于點(diǎn)云的方法受限于稀疏采樣，導(dǎo)致細(xì)粒度語義信息的丟失；基于圖像的方法通常將 RGB 和深度信息輸入到在 3D 輔助任務(wù)上訓(xùn)練的 2D 骨干網(wǎng)絡(luò)中，但它們糾纏在一起的語義和幾何特征對(duì)現(xiàn)實(shí)世界中固有的深度噪聲非常敏感，從而干擾了語義理解。

圖 1：不同方法的對(duì)比

針對(duì)這一痛點(diǎn)，Dexmal 原力靈機(jī)作者團(tuán)隊(duì)提出 SpatialActor，該工作核心在于 「解耦」（Disentanglement）：它不再將視覺信息混為一談，而是明確地將語義信息（這是什么？）與空間幾何信息（它在哪里？形狀如何？）分離開來，從而實(shí)現(xiàn)語義流與空間流的雙流解耦與后期融合。

作者通過引入顯式的 3D 空間編碼器，并將其與強(qiáng)大的視覺語言模型結(jié)合，使機(jī)器人不僅能「讀懂」指令，更能「感知」三維空間。作者在包含 50 多個(gè)任務(wù)的多個(gè)仿真和真實(shí)世界場景中評(píng)估了 SpatialActor。它在 RLBench 上取得了 87.4% 的成績，達(dá)到 SOTA 水平；在不同噪聲條件下，性能提升了 13.9% 至 19.4%，展現(xiàn)出強(qiáng)大的魯棒性。目前該論文已被收錄為 AAAI 2026 Oral，并將于近期開源。

• 論文名稱：SpatialActor: Exploring Disentangled Spatial Representations for Robust Robotic Manipulation
• 論文鏈接：https://arxiv.org/abs/2511.09555
• 項(xiàng)目主頁：https://shihao1895.github.io/SpatialActor/

方法與架構(gòu)

作者認(rèn)為，機(jī)器人操作本質(zhì)上需要兩種能力的協(xié)同：一是對(duì)任務(wù)目標(biāo)的語義理解（由 VLM 提供），二是對(duì)環(huán)境幾何的精確把控（由 3D 表征提供）。SpatialActor 并沒有試圖訓(xùn)練一個(gè)全能的端到端網(wǎng)絡(luò)，而是采用了一種「雙流解耦 - 融合」的架構(gòu)設(shè)計(jì)。

整體架構(gòu)

圖 2：SpatialActor 架構(gòu)概覽

該架構(gòu)采用了獨(dú)立的視覺與深度編碼器。語義引導(dǎo)幾何模塊（SGM）通過門控融合機(jī)制，將來自預(yù)訓(xùn)練深度專家的魯棒但缺乏細(xì)粒度信息的幾何先驗(yàn)與含噪但有逐像素細(xì)節(jié)的深度特征自適應(yīng)地結(jié)合，從而生成高層幾何表征。

在空間 Transformer（SPT）中，低層空間線索被編碼為位置嵌入，用以驅(qū)動(dòng)空間交互。最后，視圖級(jí)交互優(yōu)化了視圖內(nèi)的特征，而場景級(jí)交互則整合了跨視圖的跨模態(tài)信息，為后續(xù)的動(dòng)作頭提供支持。

語義引導(dǎo)幾何模塊（SGM）

由于傳感器的局限性和環(huán)境干擾，現(xiàn)實(shí)世界的深度測量往往含有噪聲，而 RGB 圖像則能提供高信噪比的語義線索。大規(guī)模預(yù)訓(xùn)練深度估計(jì)模型學(xué)習(xí)到了平滑的 “語義到幾何” 映射，能夠提供魯棒且通用的幾何先驗(yàn)。相比之下，原始深度特征雖然保留了細(xì)粒度的像素級(jí)細(xì)節(jié)，但對(duì)噪聲高度敏感。

為此，SGM 模塊通過一個(gè)凍結(jié)的大規(guī)模預(yù)訓(xùn)練深度估計(jì)專家模型從 RGB 輸入中提取魯棒但粗粒度的幾何先驗(yàn)，同時(shí)利用深度編碼器從原始深度中提取細(xì)粒度但含噪的幾何特征。如圖 3 (a) 所示，SGM 模塊通過一個(gè)多尺度門控機(jī)制自適應(yīng)地融合這些特征，從而生成優(yōu)化后的幾何表征；該表征在保留細(xì)微細(xì)節(jié)的同時(shí)降低了噪聲，并與語義線索保持對(duì)齊。

圖 3：語義引導(dǎo)幾何模塊和空間 Transformer

空間 Transformer（SPT）

如圖 3 (b) 所示，SPT 模塊旨在建立精確的 2D 至 3D 映射并融合多模態(tài)特征，是生成精準(zhǔn)動(dòng)作的關(guān)鍵。首先，模塊將視覺得到的空間特征與機(jī)器人本體感知信息（如關(guān)節(jié)狀態(tài)）融合。利用相機(jī)內(nèi)外參矩陣和深度信息，模型將圖像像素坐標(biāo)轉(zhuǎn)換為機(jī)器人基座坐標(biāo)系下的三維坐標(biāo)，并采用旋轉(zhuǎn)位置編碼技術(shù)將這些三維幾何信息嵌入特征中，賦予其低層的空間感知。

在特征交互層面，SPT 依次執(zhí)行視圖級(jí)和場景級(jí)注意力機(jī)制：前者優(yōu)化單視圖內(nèi)部表征，后者聚合所有視圖與語言指令特征，實(shí)現(xiàn)跨模態(tài)的全局上下文融合。最終，解碼器通過預(yù)測熱力圖確定動(dòng)作的三維平移位置，并基于該位置的局部特征回歸計(jì)算旋轉(zhuǎn)角度和夾爪開閉狀態(tài)，完成端到端的動(dòng)作生成。

實(shí)驗(yàn)結(jié)果

為了全面評(píng)估 SpatialActor 的有效性，作者在仿真和真實(shí)世界環(huán)境中均開展了實(shí)驗(yàn)，既比較其與當(dāng)前最先進(jìn)方法的表現(xiàn)，也考察其在噪聲干擾下的魯棒性，并進(jìn)一步驗(yàn)證其在真實(shí)機(jī)器人上的實(shí)際表現(xiàn)。

仿真基準(zhǔn)測試結(jié)果

表 1：RLBench 仿真測試結(jié)果

作者給出了 SpatialActor 在 18 個(gè) RLBench 任務(wù)及其 249 種變體上的成功率。SpatialActor 取得了最佳的整體性能，超越了此前的 SOTA 模型 RVT-2 6.0%。值得注意的是，在諸如 Insert Peg（插銷釘）和 Sort Shape（形狀分類）等需要高空間精度的任務(wù)中，SpatialActor 的表現(xiàn)分別優(yōu)于 RVT-2 53.3% 和 38.3%。

不同程度噪聲下的表現(xiàn)

表 2：不同程度噪聲下的表現(xiàn)

在噪聲實(shí)驗(yàn)中，作者通過加入不同強(qiáng)度的高斯擾動(dòng)模擬噪聲。結(jié)果表明，無論是輕度、中度還是重度噪聲，SpatialActor 的表現(xiàn)都始終明顯優(yōu)于 RVT-2，平均成功率分別提升 13.9%、16.9% 和 19.4%。在諸如 Insert Peg（插銷釘）這類需要高精度對(duì)位的任務(wù)中，這一差距更為突出，在三檔噪聲下分別高出 88.0%、78.6% 和 61.3%，展現(xiàn)出對(duì)噪聲干擾的強(qiáng)魯棒性。

真機(jī)實(shí)驗(yàn)結(jié)果

圖 4：真機(jī)任務(wù)

在真機(jī)實(shí)驗(yàn)中，作者使用一臺(tái)配備 Intel RealSense D435i RGB-D 相機(jī)的 WidowX 單臂機(jī)器人；并采用 8 個(gè)不同的任務(wù)，共計(jì) 15 種變體。

表 6：真機(jī)結(jié)果

真機(jī)實(shí)驗(yàn)結(jié)果如表 6 所示，SpatialActor 的表現(xiàn)持續(xù)優(yōu)于 RVT-2，各任務(wù)平均提升約 20%，證明其在真實(shí)場景中的有效性。為了評(píng)估針對(duì)分布變化的魯棒性，作者在被操作物體、接收物體、光照和背景發(fā)生變化的情況下對(duì) SpatialActor 進(jìn)行了測試。在這些多樣且極具挑戰(zhàn)性的條件下，SpatialActor 始終保持了高水平表現(xiàn)，有力證明了其在復(fù)雜真實(shí)世界場景中的強(qiáng)大魯棒性與泛化能力。

結(jié)論

在本文中，作者提出了 SpatialActor，這是一個(gè)用于機(jī)器人操作的魯棒空間表征框架，旨在解決精確空間理解、傳感器噪聲以及有效交互帶來的挑戰(zhàn)。SpatialActor 將語義信息與幾何信息進(jìn)行了解耦，并將幾何分支劃分為高層和低層兩個(gè)組件：SGM 將語義引導(dǎo)的幾何先驗(yàn)與原始深度特征自適應(yīng)融合，以構(gòu)建魯棒的高層幾何；而 SPT 則通過位置感知交互捕捉低層空間線索。

在 50 多個(gè)仿真和真實(shí)世界任務(wù)上進(jìn)行的廣泛實(shí)驗(yàn)表明，SpatialActor 在多樣化的條件下均取得了更高的成功率和強(qiáng)大的魯棒性。這些結(jié)果凸顯了解耦的空間表征對(duì)于開發(fā)更加魯棒且具備泛化能力的機(jī)器人系統(tǒng)的重要性。

附論

機(jī)器人操作可以分解為兩個(gè)維度：空間感知與時(shí)序理解。前者關(guān)注如何將視覺與語言映射為精確的 6-DoF 位姿，實(shí)現(xiàn)對(duì)當(dāng)前場景的物理 Grounding；后者則需要基于當(dāng)前與過往的歷史狀態(tài)，連續(xù)做出多個(gè)決策以完成長期目標(biāo)。

但是，真實(shí)世界的操作并非靜態(tài)的空間問題，而是貫穿時(shí)間的連續(xù)過程。機(jī)器人不僅要抓得準(zhǔn)，還必須記得住之前的關(guān)鍵狀態(tài)，才能在長程任務(wù)中真正抓得對(duì)。這使得記憶機(jī)制成為連接空間操作與長程決策的關(guān)鍵能力。

受人類大腦「工作記憶」與「海馬體」記憶機(jī)制的啟發(fā)，作者團(tuán)隊(duì)還提出了 MemoryVLA，創(chuàng)新性地引入「感知 - 認(rèn)知記憶」到 VLA，在決策時(shí)智能地從記憶庫中「回憶」相關(guān)歷史信息，實(shí)現(xiàn)時(shí)序感知的決策。更多信息可以參考：

• 論文：https://arxiv.org/abs/2508.19236
• 項(xiàng)目主頁：https://shihao1895.github.io/MemoryVLA
• GitHub：https://github.com/shihao1895/MemoryVLA