千寻智能高阳团队最新成果：纯视觉VLA方案从有限数据中学到强大的空间泛化能力

设想一下刚学开车的情况：在训练场上，我们可能会反复练习特定动作：到了某个位置就踩刹车，拐到某个点 就打方向盘。久而久之，这些动作会形成"条件记忆"，一旦环境发生变化，就容易手忙脚乱。最近，千寻智能 的 研 究 人 员 注 意 到 ， 基 于 模 仿 学 习 的 视 觉 运 动 策 略 中 也 存 在 类 似 现 象 ， 并 在 论 文 《 Do You Need Proprioceptive States in Visuomotor Policies?》中对此进行了深入探讨。 文章的链接为：https://arxiv.org/abs/2509.18644 项目主页为： https://statefreepolicy.github.io 文中研究人员提出了一种名为 State-free Policy 的策略，与 State-based Policy 相比，即便在训练数据中 桌面高度、机器人位置和目标物体等都被严格固定的情况下，机器人仍能展现出强大的空间泛化能力。例如： 在夹笔任务中，获得桌面高度的泛化能力（标准桌高为 80 cm）： 在叠衣服任务中，即使机械臂位置大幅偏离标准位置，机器人仍然能出色完成任务： 在 ...