新智元报道
【导读】VLA 大模型虽展现出强大的操作能力，却存在致命弱点：相机视角轻微偏移即可导致成功率暴跌。招商局先进技术研究院下属狮子山人工智能实验室提出“混合动态数据采集”新范式，首次在真实机器人系统中证明，通过让相机运动采集数据，能以低成本破解 VLA 的空间泛化瓶颈。该成果已被机器人顶会 IROS 2026 接收。
近年来，VLA（Vision-Language-Action）模型已成为机器人操作领域的研究热点。无论是英伟达的 Gr00t 系列，还是 Physical Intelligence 的π系列，均展示了流畅精准的动作执行能力。然而，这些模型普遍存在“脆弱性”：一旦部署环境发生变化，如相机位置微调或场景变换，模型表现往往瞬间崩溃。
斯坦福、谷歌、同济及复旦等多方研究证实，VLA 模型在标准评测中高达 90% 以上的成功率，在相机视角发生轻微变化后，可能骤降至 30% 以下。
针对这一痛点，招商局先进技术研究院下属狮子山人工智能实验室（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。研究指出，问题的根源在于捷径学习（Shortcut Learning），而破局之道在于混合动态数据采集策略（Hybrid Dynamic Data Collection）。
该论文已被 IROS 2026 正式接收。
论文地址：arxiv.org/abs/2607.02322
项目地址：306327680.github.io/LionRockMultiViewPaperWeb
三重“隐性耦合”：VLA 仅在记忆相对位置
研究团队识别出 VLA 模型普遍存在的三种捷径学习模式，其本质是模型错误地学习了物体间的虚假相对位姿关系，而非真正的空间逻辑。
耦合一：相机 - 基座耦合（Camera-Base Coupling）
模型并未真正理解物体在空间中的绝对位置，而是记住了物体在画面中的固定像素坐标（如“笔在右下角 1/4 处”）。一旦相机位置改变，画面相对坐标失效，模型立即“失忆”。这是最普遍的问题，视角差异可直接导致任务成功率从 85% 跌至 43%。
耦合二：相机 - 物体耦合（Camera-Object Coupling）
模型过度依赖特定角度识别物体。同一物体在不同视角下，可能被模型判定为完全不同的对象，导致识别失败。
耦合三：物体 - 位置耦合（Object-Position Coupling）
这是最为隐蔽的缺陷。即使采用多视角数据，若训练集中物体间的相对位置固定（如笔筒总是在笔右侧 10cm），模型只会学会“向右移动 10cm"的机械操作，而非理解“放入笔筒”的语义。
实验显示，在笔筒位置固定的情况下训练，任务成功率达 95%；但仅将笔筒平移一个直径距离，成功率便暴跌至 72%。这证明模型只是“记住了”固定坐标，并未真正理解空间关系。
“运动之眼”：以移动视角为核心的数据新范式
为打破数据中的虚假相关性，研究团队提出了层次化数据解耦策略，将数据采集分为固定视角、多固定视角与移动视角三种配置。
相较于多固定视角，移动视角的核心优势在于能以同等数据量提供更稠密、近似均匀的多视角采样。当相机沿连续轨迹运动时，背景、观察角度及物体相对位置在帧间持续变化，彻底粉碎了上述三种耦合关系，迫使模型学习真实的三维空间几何关系。
研究团队在真实机器人平台上验证了该范式：系统由 So-101 操作臂执行任务，Airbot 机械臂搭载环境相机充当“运动之眼”，以 0.05m/s 速度沿轨迹连续运动，从多变角度记录操作过程，并通过开源 LeRobot 管线以 30FPS 视频格式采集数据。
混合动态数据采集策略：优势互补的最优解
实验发现，单独使用移动视角数据会导致视觉输入方差过大，策略难以收敛（Gr00t 模型成功率仅 54.8%）；而纯多固定视角数据虽收敛性好（成功率 80.5%），但多样性不足。
最终方案是将多固定视角与移动视角数据按比例混合。经系统搜索，在 Gr00t 模型上，当混合比例 k=3 时取得最佳表现，成功率提升至 89.0%。该策略通过引入多维度多样性，从根本上消除了模型可利用的虚假相关性。
跨架构普适性与能力迁移
该混合数据方案在 ACT、Diffusion Policy、π0 等主流 VLA 模型上均验证有效，各类模型综合性能最高提升 26.8%。这证明空间泛化脆弱性是 VLA 的共性缺陷，而混合数据是通用解法。
更关键的突破在于空间感知能力的跨任务迁移。研究发现，仅需为一个“代表任务”（如抓放笔）采集多视角混合数据，即可将习得的空间感知能力“移植”到其他未见过的任务中。实验中，注入等量多视角笔任务数据后，多物体抓取任务的成功率从 43% 跃升至 83%，大幅降低了数据采集成本。
这意味着空间感知不再绑定于具体任务，而是成为一种可迁移的通用“视觉素养”。
总结与应用展望
“运动之眼”混合数据采集范式的核心贡献可归纳为三点：
一、问题诊断。首次系统性揭示 VLA 模型存在的三重隐性耦合，阐明了模型在新环境下灾难性退化的根源。
二、优雅解法。无需修改模型结构，仅通过让环境相机运动并配合最优数据混合策略，即可大幅提升空间泛化能力。该方法已在多种主流架构上得到验证。
三、能力迁移。证实空间感知能力可从简单任务迁移至复杂任务，为降低实际部署中的数据成本开辟了新路径。
未来，该范式有望广泛应用于家庭服务、工业精密装配及智能仓储等场景。通过主动视角规划与自动化管线的融合，机器人将摆脱固定视角束缚，实现类人化的三维空间感知，加速通用机器人的产业化落地。
关于研发团队与 IROS 2026
此次成果出自招商局先进技术研究院下属狮子山人工智能实验室。继今年 6 月在 ICRA 2026 机器人柔性衣物折叠赛事斩获全球冠军后，该团队再次在 IROS 2026 发表重磅成果，彰显了其在具身智能领域的顶尖研发实力。“运动之眼”范式与此前的柔性操作技术互为补充，构建了更完善的机器人操作技术体系。
IROS（IEEE/RSJ 国际智能机器人与系统会议）是全球机器人领域两大旗舰顶会之一，以严苛的双盲评审和高录用门槛著称。2026 年 IROS 录用率仅为 36%，创近 15 年新低，入选难度极高。