深入解析：【具身智能】Spatial Forcing 论文笔记 如何隐式地为 VLA 注入 3D 空间感知能力

Spatial Forcing

Implicit Spatial Representation Alignment For Vision-Language-Action Model

---

摘要（Abstract）

✅ 研究背景

视觉-语言-动作模型（VLA）能让机器人根据语言指令执行动作，展现出巨大潜力。

⚠️ 核心疑问

大多数 VLA 模型基于仅在2D 图像上预训练的视觉-语言模型（VLM），缺乏对3D 空间结构的理解，难以在物理世界中精确操作。

现有方法及其局限

1. 显式引入 3D 输入（如深度图、点云）：
   • 问题：传感器噪声大、硬件差异大、数据不完整。
2. 从 2D 图像估计 3D 信息：
   • 难题：深度估计器性能有限，导致策略次优。

本文方法：Spatial Forcing（SF）

• 核心思想：隐式地迫使 VLA 模型发展空间理解能力，不依赖显式 3D 输入或深度估计器。
• 实现方式：将 VLA 的中间视觉嵌入 与 预训练 3D 基础模型（如 VGGT）生成的几何表征进行对齐。
• 效果：
  • 提升动作精度；
  • 训练速度提升3.8 倍；
  • 素材效率更高；
  • 在模拟与真实环境中均达到 SOTA 性能。

---

第一章：引言（Introduction）

挑战重述

• VLA 模型通常基于 VLM 构建，继承其语义理解能力；
• 但 VLM 仅在 2D 内容上训练，缺乏 3D 空间感知能力；
• 导致机器人在 3D 环境中难以完成精确处理。

动机实验：深度探测（Depth Probing）

• 做法：冻结 VLA 模型的视觉编码器，仅训练一个 DPT 头部来预测深度图；
• 结果：预测出的深度图无意义，说明VLA 的视觉嵌入中缺乏空间信息；
• 结论：VLA 模型在没有外部空间监督的情况下，无法有用编码 3D 结构。

提出方法：Spatial Forcing（SF）

• 目标：让 VLA 模型隐式地获得 3D 感知能力；
• 方法：将 VLA 的中间视觉嵌入与VGGT（3D 基础模型）输出的空间表征对齐；
• 优势：
  • 不增加推理开销；
  • 不依赖 3D 传感器；
  • 可提升动作精度与训练效率。

---

第二章：方法（Method）

2.1 预备知识（Preliminaries）

VLA 模型结构

VLA 模型基于 VLM，处理三种模态：

• 视觉模态：多视角图像 → 编码为视觉 token：
  $\{x_i^V{\}}_{i=1}^N$
• 语言模态：任务指令 → 编码为语言 token：
  $\{x_j^L{\}}_{j=1}^M$
• 动作模态：基于视觉和语言 token，自回归地生成动作 token：
  $\{x_k^A{\}}_{k=1}^K$

动作生成公式（公式 1）：

$$x_t^A\sim p_{\theta }\left(x_t^A\mid \{x_i^V{\}}_{i=1}^N,\{x_j^L{\}}_{j=1}^M,x_{<t}^A\right)$$

• $x_t^A$：第 $t$个动作 token；
• $p_{\theta }$：参数为 $\theta$的条件概率模型；
• $x_{<t}^A$：之前生成的动作 token。

动作损失函数（公式 2）：

$${\mathcal{L}}_{\text{action}}=\mathcal{L}\left[\mathcal{G}(\{x_k^A\}),A_{\text{gt}}\right]$$

• $\mathcal{G}$：动作专家（如 MLP），将动作 token 解码为实际动作；
• $A_{\text{gt}}$：真实动作标签；
• $\mathcal{L}$：损失函数（如 L1、L2）。

VGGT 模型

• 输入：2D 图像；
• 输出：3D 属性（深度图、点云、相机参数等）；
• 本文中用于提供空间监督信号。

---

2.2 动机（Motivation）

• 2D VLA 模型缺乏 3D 理解；
• 显式引入 3D 资料存在噪声、异构、缺失等问题；
• 从 2D 估计 3D 又不准确；
• 结论：需要一种 不依赖显式 3D 输入的方法来增强 VLA 的空间理解能力。

---

2.3 Spatial Forcing（SF）

目标

通过外部 3D 模型（VGGT）给予的空间表征，监督 VLA 的视觉嵌入，使其隐式地具备 3D 感知能力。

对齐损失函数（公式 3）：

$${\mathcal{L}}_{\text{align}}=-\frac{1}{N}\sum _{i=1}^N\mathcal{S}\left[\text{MLP}\cdot \Gamma (x_i^V),f_i^{3D}(I)+E\right]$$

• $x_i^V$：VLA 的视觉 token；
• $\Gamma$：BatchNorm；
• MLP：两层感知机，用于维度对齐；
• $f_i^{3D}(I)$：VGGT 输出的空间表征；
• $E$：位置编码，保留 token 的位置信息；
• $\mathcal{S}$：余弦相似度；
• 目标：最大化 VLA 视觉 token 与 3D 表征之间的相似性。

监督哪一层？

• 实验发现：第 24 层（共 32 层）效果最好；
• 太浅：表征未充分提取；
• 太深：视觉特征已融合语言信息，不适合空间监督。

总损失函数（公式 4）：

$${\mathcal{L}}_{\text{SF}}={\mathcal{L}}_{\text{action}}+\alpha \cdot {\mathcal{L}}_{\text{align}}$$

• $\alpha$：权重因子，实验中设为 0.5；
• 平衡动作预测与空间对齐两个目标。

✅ 推理阶段

• VGGT 和对齐损失被完全移除；
• VLA 模型结构与标准模型完全一致；
• 不增加任何推理开销。

---

第三章：仿真实验（Simulation Experiments）

3.1 实验设置

• 平台：LIBERO（4 个任务套件）、RoboTwin（双臂任务）；
• 基础模型：
  • LIBERO：OpenVLA-OFT；
  • RoboTwin：${\pi }_0$；
• 指标：任务成功率（SR）。

3.2 与 SOTA 方法对比

• LIBERO：SF 平均成功率98.5%，超过所有 2D 和 3D 技巧；
• RoboTwin：SF 在所有任务中均表现最佳，尤其在困难设置中提升显著。

3.3 消融实验（Ablation Study）

实验项	结论
目标表征	使用 VGGT + 位置编码最佳（96.9%）
对齐层数	第 24 层最佳
训练效率	SF 实现 3.8 倍 加速
数据效率	仅用 5% 数据达到 75.8% 成功率，5.9 倍数据效率提升
t-SNE 可视化	VLA 特征与目标结构一致，但未发生表征崩溃

---

第四章：真实世界实验（Real-World Experiments）

设置

• 平台：AgileX 双臂机器人；
• 数据量：单臂 40 条演示，双臂 20 条；
• 任务：
  • 单臂：堆叠玻璃杯（光照变化）、抓蔬菜（物体变化）、放积木（高度变化）；
  • 双臂：举罐子（平衡测试）；

结果

任务	基线	SF	提升
堆叠玻璃杯	15.0%	62.5%	+47.5%
抓蔬菜	10.0%	47.5%	+37.5%
放积木	67.5%	85.0%	+17.5%
举罐子	30.0%	42.5%	+12.5%

• 结论：SF 显著提升了机器人在真实环境中的空间理解能力 和 数据效率。

---

第五章：相关工作（Related Work）

• VLA 模型发展：
  • 从 2D 到 3D（引入深度、点云）；
  • 本文创新：不修改输入，而是监督中间表征；
• 表征监督：
  • 重建式：可能保留冗余信息；
  • 对齐式（如 SF）：更有效，避免表征崩溃。

---

✅ 第六章：结论（Conclusion）

• 提出 Spatial Forcing，一种隐式增强 VLA 空间感知能力的方法；
• 通过 对齐中间视觉表征 与 3D 基础模型，显著提升性能；
• 在模拟与真实任务中均验证了其高效性、通用性与实用性。

---