研究用混合动态数据采集破解 VLA 空间泛化瓶颈
VLA 模型因相机视角改变而失效的问题被揭示为捷径学习，混合移动视角数据能低成本解决，普遍提升多种架构性能。
VLA 模型（视觉-语言-动作模型）在机器人操作中常用，但相机视角只要微变几毫米，成功率就从 90% 骤降到 30% 以下。研究发现这是模型在学“位置作弊”而非真理解空间关系——称为捷径学习。招商局实验室提出混合动态数据采集策略：用移动视角数据结合多固定视角数据（比例约 1:3），在真实机器人上首次证明该方法能以极低成本破解空间泛化问题，且普适于 ACT、Diffusion Policy、π0 等主流架构，综合性能最高提升 26.8%。
正文摘录
 新智元报道  【新智元导读】 VLA 大模型看似强大，却被一个致命弱点扼住喉咙——相机稍微挪动几毫米，操作成功率就能暴跌一半。招商局先进技术研究院下属实验室提出新的移动数据范式，首次在真实机器人系统上证明：让相机动起来采集数据，就能以极低成本破解 VLA 的空间泛化瓶颈，且效果普适于多种主流架构。 近年来，VLA 模型已成为机器人操作领域最火热的研究方向。 无论是英伟达的 Gr00t 系列、Physical Intelligence 的 π 系列等模型都展现出了流畅准确的动作乃至复杂操作能力。 但有一个让所有从业者头疼的问题：这些模型极其「脆弱」。 当你把训练好的机器人从实验室 A 搬到实验室 B，甚至只是不小心碰了一下相机——画面里桌子的相对位置变了几个像素——模型的表现就可能瞬间崩溃。 这不是个别现象。 国内外多个团队的研究 （斯坦福-谷歌联合研究项目 Genralization-Gap、同济-复旦等机构联合研究项目 LIBERO-Plus 等） 已经得出一致结论：VLA 模型在标准评测中动辄 90%+ 的成功率，在相机视角轻微变化后可能直接跌落到 30% 以下。 为什么？ 招商局先进技术研究院下属狮子山人工智能实验室研究团队 （以下简称「研究团队」） 在新论文中给出了精准诊断与解决方案：问题的根源是 捷径学习 （Shortcut Learning） ，而解决方案是 混合动态数据采集策略 （Hybrid Dynamic Data Collection） 。