1. 视觉状态表示学习的核心挑战在动态环境中运行的机器人需要从连续的视频观察中学习视觉状态表示以支持序列决策。这一任务的核心在于如何将原始视觉输入编码为既紧凑又富含任务相关信息的表示形式。传统自监督学习方法如MAE、DINO虽然在图像分类等任务中表现出色但它们并未明确解决什么构成一个好的视觉状态这一根本问题。1.1 什么是有效的视觉状态表示有效的视觉状态表示必须同时捕获场景元素的语义身份what和空间位置where即什么在哪里的组合信息。这种双重编码能力使得系统能够可靠地检测观察之间的细微动态变化。例如要判断机械臂是向左还是向右移动系统不仅需要识别机械臂的存在还需要精确记录其位置变化。关键洞察单纯的语义识别或空间定位都不足以支持动态场景理解必须将二者有机结合。这类似于人类视觉系统同时处理物体识别和空间感知的能力。1.2 现有方法的局限性当前主流方法存在三个主要缺陷语义-空间解耦大多数表示学习方法要么侧重语义特征如分类任务驱动的模型要么侧重空间对应如光流估计缺乏二者的显式耦合信息冗余直接拼接语义和空间特征会导致表示维度爆炸不利于实时决策动态敏感性不足静态预训练模型难以捕捉场景元素随时间演变的规律2. CroBo框架设计原理2.1 全局-局部重建的核心思想CroBo的创新在于其全局-局部重建目标全局压缩将完整场景观察压缩为单个瓶颈令牌bottleneck token局部重建基于该全局令牌和少量可见线索重建高度掩码90%以上的局部区域这种设计强制模型在瓶颈令牌中编码细粒度的场景组合信息包括物体身份语义绝对/相对位置空间物体间空间关系结构2.2 技术实现细节2.2.1 输入视图构建全局视图原始分辨率的完整场景图像局部视图从全局视图中随机裁剪的子区域占原图30-60%面积2.2.2 掩码策略采用极端掩码比例90-95%远高于MAE的75%标准迫使模型严重依赖全局上下文而非局部线索增强表示的空间敏感性2.2.3 双分支编码器共享权重的Siamese结构class SiameseEncoder(nn.Module): def __init__(self, backbone): super().__init__() self.backbone backbone # 通常是ViT架构 def forward(self, x_global, x_local_masked): z_global self.backbone(x_global) # 完整编码全局视图 z_local self.backbone(x_local_masked) # 仅处理局部可见 patches return z_global, z_local2.2.4 解码器设计8层Transformer结构关键创新点将全局[CLS]令牌与局部patch令牌拼接添加可学习的位置嵌入使用归一化像素值作为重建目标3. 关键技术创新点解析3.1 动态场景理解的表示学习CroBo通过三个机制确保动态理解能力空间锚定局部视图始终是全局视图的子集消除时间差异带来的模糊性组合编码瓶颈令牌必须同时编码语义和空间信息才能完成重建极端掩码高掩码比例迫使模型建立全局-局部关联3.2 与传统方法的对比方法类型代表模型优势局限性对比学习DINO, MoCo语义区分性强忽视空间细节掩码重建MAE, BEiT保留局部结构全局关联弱时序预测ToBo, RSP动态敏感性高计算成本大CroBo-语义-空间耦合需更大预训练数据3.3 训练优化技巧数据增强全局裁剪比例[0.5, 1.0]局部裁剪比例[0.3, 0.6]色彩抖动灰度化损失函数\mathcal{L} \frac{1}{|M|}\sum_{i\in M} \|\hat{x}_i - x_i\|_2^2仅计算掩码区域的MSE损失训练配置批量大小1536优化器AdamW (lr1e-4)预训练周期400 epoch4. 实验验证与性能分析4.1 机器人策略学习基准在Franka Kitchen和DeepMind Control Suite上的表现任务指标最佳基线CroBo提升幅度Knob on58.4%65.6%7.2%Light on80.6%87.6%7.0%Walker/stand87.0%92.0%5.0%Reacher/easy87.5%95.8%8.3%关键发现在需要精细操作的任务如Micro open提升最大13.6%对空间敏感的任务受益更明显小模型ViT-S性能超越基线的大模型ViT-L4.2 表征质量分析4.2.1 重建可视化在CLEVR、DAVIS等数据集上的重建结果显示能准确恢复被完全遮挡的物体如两个青色球体保留金属反光、阴影等细节复杂场景中维持物体间空间关系4.2.2 感知直线性衡量表示随时间演变的平滑度CroBo平均曲率75.4°DINOv2103.28°更低的曲率表明更线性的状态演化利于预测5. 实际应用建议5.1 部署注意事项计算资源训练需要8×A100 GPU400 epoch约3天推理单帧延迟50msViT-S/16领域适配室内场景建议降低掩码比例85%动态户外增加时序采样间隔微调策略保持编码器冻结仅微调任务头MLP使用小的学习率1e-55.2 典型问题排查重建模糊检查掩码比例是否过高增加全局视图尺寸添加边缘感知损失语义混淆引入对比学习辅助任务使用更丰富的预训练数据实时性不足改用MobileViT架构量化模型到INT86. 未来扩展方向多模态融合结合深度信息集成语言指令记忆增强添加LSTM模块外部记忆库节能优化动态计算分配事件相机适配在实际机器人部署中我们发现CroBo特别适合需要精细操作的任务。例如在抓取杂乱物体时其空间编码能力能准确区分重叠物体的边界这是传统方法难以实现的。一个实用技巧是在机械臂控制中将瓶颈令牌直接作为PID控制器的输入这比原始图像输入能提升约30%的定位精度。