原文鏈接：https://mp.weixin.qq.com/s/qyxOyHNdHC6C11584aeRfA

在機器人"大腦"的進化之路上，如何讓AI真正理解三維空間的結構關系，并預判物體的運動軌跡，一直是困擾業(yè)界的難題。近日，清華大學深圳國際研究生院與阿里巴巴集團旗下高德地圖聯(lián)合研究團隊發(fā)布了一項突破性成果——SSM-VLA（Seeing Space and Motion），通過創(chuàng)新的"遠視潛動作建模"技術，讓機器人首次具備了幾何感知的場景理解能力和多尺度時序建模能力，在多項機器人操控基準測試中創(chuàng)下 SOTA 成績。

如果把機器人比作廚師，現(xiàn)有的VLA模型就像一位"色盲且健忘"的學徒：它能讀出菜譜（語言理解），卻分不清食材的遠近深淺（空間感知弱）；剛看一眼鍋里的狀態(tài)就忘了（時序建模差），導致動作斷斷續(xù)續(xù)、缺乏連貫性。

具體而言，當前主流方法存在兩大結構性缺陷：

• 瓶頸一：空間感知"浮于表面"

現(xiàn)有VLA模型多采用端到端訓練的RGB編碼器，其視覺表征偏向顏色、紋理等表層語義，缺乏對物體關系、場景布局、深度信息的顯式建模。這就像讓一位平面設計師去當建筑師——審美在線，但看不懂施工圖。結果是：機器人能認出"紅色積木"，卻判斷不好"它離我有多遠"、"該從哪個角度抓取"。

• 瓶頸二：時序建模"鼠目寸光"

絕大多數(shù)潛在動作模型（LAM）僅輸入兩幀圖像（當前幀+目標幀）來預測動作，這種"稀疏采樣"方式丟失了大量動態(tài)信息：物體的運動趨勢、接觸瞬間的力學變化、長程任務的階段性規(guī)劃。就像僅看一張起點和終點的照片，難以推斷中間經歷了什么，導致動作預測不穩(wěn)定、物理合理性差。

這兩大缺陷相互交織：缺乏幾何感知導致動作在3D空間中"對不準"，缺乏時序建模導致動作在時間維度上"接不上"。機器人看似在執(zhí)行任務，實則在"盲人摸象"。

核心貢獻：SSM-VLA的三大創(chuàng)新設計

面對上述挑戰(zhàn)，研究團隊從空間編碼、時序建模、推理范式三個維度進行系統(tǒng)性重構，提出SSM-VLA框架：

1. Farsighted-LAM：看得深、看得遠的潛在動作模型

• 幾何感知空間編碼：引入凍結的DINOv2編碼器，提取富含結構先驗的視覺特征（空間布局、隱式深度、物體關系），讓潛在動作扎根于三維物理空間

• 多幀時序建模：突破傳統(tǒng)兩幀限制，同時處理當前幀+未來N個關鍵幀，捕捉從細微操作到長程規(guī)劃的完整動態(tài)譜系

• RGB-D聯(lián)合監(jiān)督：解碼器同時重建未來幀的RGB和深度圖，確保潛在動作既包含語義內容（外觀），也包含幾何結構（空間）

2. 視覺思維鏈（Visual Chain-of-Thought）：先想象、再行動

受人類"三思而后行"的認知模式啟發(fā)，SSM-VLA在輸出最終動作前，先顯式預測未來視覺狀態(tài)（RGB+深度）。這種"想象-推理-執(zhí)行"的級聯(lián)范式，不僅增強了模型的時空理解能力，更提供了可解釋的中間表征——你可以直觀地看到機器人"腦海中的畫面"是否與物理規(guī)律一致。

3. 多模態(tài)協(xié)同注意力：三階段漸進式推理

通過精心設計的注意力掩碼機制，SSM-VLA在一個統(tǒng)一Transformer內實現(xiàn)三階段協(xié)同：

• 階段1（視覺預測）：基于歷史觀測和指令，生成下一幀視覺狀態(tài)

• 階段2（潛在動作規(guī)劃）：基于預測幀，生成長程潛在動作序列

• 階段3（動作執(zhí)行）：融合全部信息，輸出最終機器人動作

這種"雙向+單向+因果"的混合注意力結構，既保證了信息流的完整性，又維持了時序因果性。

技術架構詳解