上海交大突破视觉语言模型空间感知 0.9B参数实现90%真机成功率

机器人视觉感知的精度不足，是当前视觉-语言-动作模型普遍面临的核心挑战。许多模型仍主要依赖二维图像信息，在执行需要精确定位、细微操作或复杂空间关系判断的任务时，成功率往往难以保证。

要弥补空间感知能力的短板，业界通常有两种主流方案，但各自存在局限。显式3D方法依赖深度相机与点云重建，硬件链路复杂且对设备标定精度极为敏感；隐式3D方法则尝试从RGB图像直接学习几何信息，虽免去了额外硬件，但许多方案依赖参数量巨大的基础模型，导致训练与推理成本高昂。

为此，上海交通大学MINT实验室团队创新性地提出了一条高效的中间路径：Evo-Depth。这个参数量约0.9B的模型，无需增加任何硬件负担，而是通过一种紧凑的隐式深度编码技术，将三维空间感知能力无缝集成到VLA模型的决策流程中。在仿真与真实机器人测试中，它实现了性能与效率的出色平衡。

实验结果表明，该模型在主流仿真基准测试中表现优异：在Meta-World任务上达到84.4%的成功率，在LIBERO任务上更是取得了95.4%的高成功率。部署至真实机器人平台后，其平均任务成功率仍能稳定在90%左右。更值得关注的是其轻量级部署优势：仅需约3.2 GB的GPU显存，推理速度可达约12.3 Hz，完全满足实时控制要求。

目前，该项目的代码、模型权重及完整训练脚本均已全面开源。

轻量化设计与端到端训练策略

Evo-Depth的核心设计目标明确：从多视角RGB图像中提取轻量化的隐式深度特征，并将其高效融入视觉-语言理解通路，最终通过一个基于流匹配的动作生成模块，输出精准、连续的操作指令。

整个系统架构主要由三个关键组件构成：

1. 隐式深度编码模块

该模块负责从多视角图像中学习并提取隐式的深度表征。其设计重点并非生成高成本的显式3D中间表示，而是高效捕捉场景的空间布局与物体间的相对几何关系。为实现轻量化，该模块主干网络参数量控制在约0.13B，并借助多视角深度预训练进行初始化，从而在有限参数下引入了关键的几何先验知识。

2. 空间增强模块

该模块的作用是将隐式深度特征作为一种调制信号，来增强视觉与语言的联合表征。这种融合方式比增设独立的深度处理分支更为高效：原有的视觉语言模型继续专注于语义理解，而深度特征则专门提供空间信息的补充。这种分工协作的设计，在提升模型空间感知能力的同时，有效控制了计算延迟与内存开销。

3. 渐进式对齐训练流程

为了解决多模块联合训练时常见的优化不稳定问题，研究团队采用了渐进式对齐训练策略。训练过程分为三个阶段：首先对齐深度表征，然后进行多模态特征融合，最后学习具体的动作策略。这种分步训练方法显著提升了训练的稳定性与最终性能。动作生成部分则采用了当前VLA领域先进的流匹配技术。

在总计约0.9B参数的配置下，模型取得的综合性能如下：

仿真基准测试结果： Meta-World任务成功率84.4%，VLA-Arena任务成功率41.1%，LIBERO任务成功率95.4%，LIBERO-Plus任务成功率69.6%。

真实机器人部署表现： 平均任务成功率约为90%。

实际部署指标： 约需3.2 GB GPU显存，推理频率约12.3 Hz。

需要特别指出的是，除了关注基准测试分数，该研究也明确给出了实际部署所需的资源开销与实时性指标。对于最终需要嵌入机器人实时控制回路的VLA系统而言，这些部署可行性数据的重要性，丝毫不亚于任务成功率本身。

在性能、成本与实时性间寻求最佳平衡

本质上，Evo-Depth旨在解决一个非常实际的工程问题：如何在不大幅增加系统整体复杂度和成本的前提下，显著提升VLA模型对三维空间的感知与理解能力。

从结果来看，它确实找到了一种巧妙的平衡点：相较于纯二维的VLA模型，它补充了关键的空间几何信息；而与那些依赖显式3D重建或庞大规模基础模型的方案相比，它又最大限度地保持了系统的部署效率和实用性。

对于专注于机器人灵巧操作、空间人工智能或VLA系统开发的团队而言，这类在模型性能、硬件成本与系统实时性之间取得精妙折中的方案，其应用价值正日益凸显。在追求更高层次智能的同时，如何让先进算法真正实现高效、稳定的落地应用，始终是机器人技术工程化道路上必须攻克的核心难题。