在機器人學習領域，如何讓AI真正“看懂”三維世界一直是個難題。
(相關資料圖)
VLA模型通常建立在預訓練視覺語言模型（VLM）之上，僅基于2D圖像-文本數據訓練，缺乏真實世界操作所需的3D空間理解能力。
當前基于顯式深度輸入的增強方案雖有效，但依賴額外傳感器或深度估計網絡，存在部署難度、精度噪聲等問題。
為此，上海交通大學和劍橋大學提出一種增強視覺語言動作（VLA）模型空間理解能力的輕量化方法Evo-0，通過隱式注入3D幾何先驗，無需顯式深度輸入或額外傳感器。
該方法利用視覺幾何基礎模型VGGT，從多視角RGB圖像中提取3D結構信息，并融合到原有視覺語言模型中，實現空間感知能力的顯著提升。
在rlbench仿真實驗中，Evo-0在5個需要精細操作的任務上，平均成功率超過基線pi0 15%，超過openvla-oft 31%。
Evo-0：實現2D–3D表征的融合
Evo-0提出將VGGT作為空間編碼器，引入VGGT訓練過程中針對3D結構任務提取的t3^D token。這些token包含深度上下文、跨視圖空間對應關系等幾何信息。
模型引入一個cross-attention融合模塊，將ViT提取的2D視覺token作為query，VGGT輸出的3D token作為key/value，實現2D–3D表征的融合，從而提升對空間結構、物體布局的理解能力。
融合后的token與語言指令共同輸入凍結主干的VLM，預測動作由flow-matching策略生成。訓練中，僅微調融合模塊、LoRA適配層與動作專家，降低計算成本。
研究團隊通過在5個rlbench模擬任務、5個真實世界操作任務上的全面實驗，以及在5種不同干擾條件下的魯棒性評估，證明了空間信息融合方法的有效性。在所有設置中，Evo-0都一致地增強了空間理解，并且優于最先進的VLA模型。
除了上述展示的效果外，在超參數實驗中，為了分析超參數如何影響模型性能，團隊在5個RLBench任務上進行了額外的實驗。他們重點關注兩個方面：訓練步數和執行步數，并評估它們對任務成功率的影響。
值得注意的是，僅用15k步訓練的Evo-0已經超過了用20k步訓練的π0，這表明Evo-0具有更高的訓練效率。
在真機實驗部分，實驗設計五個空間感知要求高的真實機器人任務，包括目標居中放置、插孔、密集抓取、置物架放置及透明物體操作等。所有任務均對空間精度容忍度極低。
Evo-0在全部任務中均超越基線模型pi0，平均成功率提升28.88%。尤其在插孔與透明物抓取任務中，表現出對復雜空間關系的理解與精準操控能力。
在魯棒性實驗中，論文設計了5類干擾條件：（1）引入一個未見過的干擾物體，（2）背景顏色的變化，（3）目標位置的位移，（4）目標高度的變化，（5）相機角度的變化。Evo-0均有相對魯棒的結果，并且強于基準pi0。
綜上所述，Evo-0的關鍵在于通過VGGT提取豐富的空間語義，繞過深度估計誤差與傳感器需求，以插件形式增強VLA模型的空間建模能力，訓練高效、部署靈活，為通用機器人策略提供新的可行路徑。
論文鏈接：https://arxiv.org/abs/2507.00416
