本文的共同第一作者為香港大學(xué) InfoBodied AI 實(shí)驗(yàn)室的博士生孫力和吳杰楓，合作者為劉瑞哲，陳楓。通訊作者為香港大學(xué)數(shù)據(jù)科學(xué)研究院及電機(jī)電子工程系助理教授楊言超。InfoBodied AI 實(shí)驗(yàn)室近年來在 CVPR，ICML，Neurips，ICLR 等頂會(huì)上有多項(xiàng)代表性成果發(fā)表，與國(guó)內(nèi)外知名高校，科研機(jī)構(gòu)廣泛開展合作。

• 標(biāo)題：HyperTASR: Hypernetwork-Driven Task-Aware Scene Representations for Robust Manipulation
• 作者：Li Sun, Jiefeng Wu, Feng Chen, Ruizhe Liu, Yanchao Yang
• 機(jī)構(gòu)：The University of Hong Kong
• 原文鏈接： https://arxiv.org/abs/2508.18802

出發(fā)點(diǎn)與研究背景

在具身智能中，策略學(xué)習(xí)通常需要依賴場(chǎng)景表征（scene representation）。然而，大多數(shù)現(xiàn)有多任務(wù)操作方法中的表征提取過程都是任務(wù)無(wú)關(guān)的（task-agnostic）：

無(wú)論具身智能體要 “關(guān)抽屜” 還是 “堆積木”，系統(tǒng)提取的特征的方式始終相同（利用同樣的神經(jīng)網(wǎng)絡(luò)參數(shù)）。

想象一下，一個(gè)機(jī)器人在廚房里，既要能精準(zhǔn)抓取易碎的雞蛋，又要能搬運(yùn)重型鍋具。傳統(tǒng)方法讓機(jī)器人用同一套 "眼光" 觀察不同的任務(wù)場(chǎng)景，這會(huì)使得場(chǎng)景表征中包含大量與任務(wù)無(wú)關(guān)的信息，給策略網(wǎng)絡(luò)的學(xué)習(xí)帶來極大的負(fù)擔(dān)。這正是當(dāng)前具身智能面臨的核心挑戰(zhàn)之一。

這樣的表征提取方式與人類的視覺感知差異很大 —— 認(rèn)知科學(xué)的研究表明，人類會(huì)根據(jù)任務(wù)目標(biāo)和執(zhí)行階段動(dòng)態(tài)調(diào)整注意力，把有限的感知資源集中在最相關(guān)的物體或區(qū)域上。例如：找水杯時(shí)先關(guān)注桌面大范圍區(qū)域；拿杯柄時(shí)又轉(zhuǎn)向局部幾何細(xì)節(jié)。

那么，具身智能體是否也可以學(xué)會(huì) “具備任務(wù)感知能力的場(chǎng)景表征” 呢？

創(chuàng)新點(diǎn)與貢獻(xiàn)

1. 提出任務(wù)感知場(chǎng)景表示框架

我們提出了 HyperTASR，這是一個(gè)用于提取任務(wù)感知場(chǎng)景表征的全新框架，它使具身智能體能夠通過在整個(gè)執(zhí)行過程中關(guān)注與任務(wù)最相關(guān)的環(huán)境特征來模擬類似人類的自適應(yīng)感知。

2. 創(chuàng)新的超網(wǎng)絡(luò)表示變換機(jī)制

我們引入了一種基于超網(wǎng)絡(luò)的表示轉(zhuǎn)換，它可以根據(jù)任務(wù)規(guī)范和進(jìn)展?fàn)顟B(tài)動(dòng)態(tài)生成適應(yīng)參數(shù)，同時(shí)保持與現(xiàn)有策略學(xué)習(xí)框架的架構(gòu)兼容性。

3. 兼容多種策略學(xué)習(xí)架構(gòu)

無(wú)需大幅修改現(xiàn)有框架，即可嵌入到 從零訓(xùn)練的 GNFactor 和 基于預(yù)訓(xùn)練的 3D Diffuser Actor，顯著提升性能。

4. 仿真與真機(jī)環(huán)境驗(yàn)證

在 RLBench 和真機(jī)實(shí)驗(yàn)中均取得了顯著提升，驗(yàn)證了 HyperTASR 在不同表征下的有效性（2D/3D 表征，從零訓(xùn)練 / 預(yù)訓(xùn)練表征），并建立了單視角 manipulation 的新 SOTA。

HyperTASR 概述

在這項(xiàng)工作中，我們提出了 HyperTASR —— 一個(gè)基于超網(wǎng)絡(luò)的任務(wù)感知場(chǎng)景表征框架。它的核心思想是：具身智能體在執(zhí)行不同任務(wù)、處于不同階段時(shí)，應(yīng)該動(dòng)態(tài)調(diào)整感知重點(diǎn)，而不是一直用一套固定的特征去看世界。

• 動(dòng)態(tài)調(diào)節(jié)：根據(jù)任務(wù)目標(biāo)和執(zhí)行階段，實(shí)時(shí)生成表示變換參數(shù)，讓特征隨任務(wù)進(jìn)展而不斷適配。
• 架構(gòu)兼容：作為一個(gè)獨(dú)立的模塊，可以無(wú)縫嵌入現(xiàn)有的策略學(xué)習(xí)框架（如 GNFactor、3D Diffuser Actor）。
• 計(jì)算分離：通過超網(wǎng)絡(luò)建立 “任務(wù)上下文梯度流（task-contextual gradient）” 與 “狀態(tài)相關(guān)梯度流（state- dependent gradient）” 的分離，大幅提升學(xué)習(xí)效率與表征質(zhì)量。

換句話說，HyperTASR 讓具身智能體在執(zhí)行任務(wù)時(shí)，像人類一樣 “看得更專注、更聰明”。

任務(wù)感知的場(chǎng)景表示 (Task-Aware Scene Representation)

傳統(tǒng)的具身智能體操作任務(wù)（Manipulation）學(xué)習(xí)框架通常是這樣的：

1. 從觀測(cè)  提取一個(gè)固定的場(chǎng)景表征 

2. 在動(dòng)作預(yù)測(cè)階段，再利用任務(wù)信息，共同預(yù)測(cè)執(zhí)行的動(dòng)作：

這種做法的局限在于：表征提取器始終是任務(wù)無(wú)關(guān)的。不管是 “關(guān)抽屜” 還是 “堆積木”，它提取的特征都一樣。結(jié)果就是：大量無(wú)關(guān)信息被帶入策略學(xué)習(xí)，既降低了策略學(xué)習(xí)的效率，也增加了不同任務(wù)上泛化的難度。

受到人類視覺的啟發(fā)，我們提出在表征階段就引入任務(wù)信息：

這樣，場(chǎng)景表示能夠隨任務(wù)目標(biāo)與執(zhí)行階段動(dòng)態(tài)變化，帶來三個(gè)好處：

• 更專注：只保留與當(dāng)前任務(wù)相關(guān)的特征
• 更高效：過濾掉無(wú)關(guān)信息
• 更自然：和人類逐步完成任務(wù)時(shí)的視覺注意模式一致

超網(wǎng)絡(luò)驅(qū)動(dòng)的任務(wù)條件化表示 (Hypernetwork-Driven Task-Conditional Representation)

HyperTASR 的詳細(xì)結(jié)構(gòu)如 Figure 2 所示。為了實(shí)現(xiàn)任務(wù)感知，我們?cè)诒碚魈崛∑骱蠹尤肓艘粋€(gè) 輕量級(jí)的自編碼器：

其中：

• ：編碼器，：編碼器參數(shù)
• ：解碼器
• ：原始表征，：任務(wù)感知表征

引入自編碼器的一大優(yōu)勢(shì)在于，自編碼器適用于不同的場(chǎng)景表征形式（2D/3D 表征都有對(duì)應(yīng)的自編碼器），另外自編碼器可以維持原來場(chǎng)景表征的形式，無(wú)須調(diào)整后續(xù)策略網(wǎng)絡(luò)的結(jié)構(gòu)。

關(guān)鍵在于：不是固定的，而是由超網(wǎng)絡(luò)根據(jù)任務(wù)與執(zhí)行狀態(tài)動(dòng)態(tài)調(diào)節(jié)的：

這里：

• 任務(wù)目標(biāo)（如 “擰上綠色瓶子”）
• 任務(wù)進(jìn)展編碼（task progression）
• 由超網(wǎng)絡(luò)  生成的動(dòng)態(tài)參數(shù)

這樣，場(chǎng)景表征不僅會(huì)隨任務(wù)不同而變化，也會(huì)在任務(wù)的執(zhí)行過程中不斷動(dòng)態(tài)遷移。

這種設(shè)計(jì)的優(yōu)勢(shì)：

1. 梯度分離：任務(wù)上下文與狀態(tài)相關(guān)信息在梯度傳播中分離，增強(qiáng)可解釋性和學(xué)習(xí)效率

2. 動(dòng)態(tài)變換：不是簡(jiǎn)單加權(quán)，而是真正改變表征函數(shù)，使得表征更加靈活

實(shí)驗(yàn)驗(yàn)證

HyperTASR 的另一個(gè)優(yōu)勢(shì)是模塊化、易集成。這種 “即插即用” 的設(shè)計(jì)讓 HyperTASR 可以同時(shí)增強(qiáng) 從零訓(xùn)練和預(yù)訓(xùn)練 backbone 兩類方法。我們分別把它嵌入到兩類主流框架中進(jìn)行驗(yàn)證：

1.GNFactor（從零訓(xùn)練）：使用 3D volume 表征

2.3D Diffuser Actor（基于預(yù)訓(xùn)練）：使用 2D backbone 提取特征再投影到 3D 點(diǎn)云

我們只使用了行為克隆損失（Behavior Cloning Loss）作為我們網(wǎng)絡(luò)的訓(xùn)練損失。

仿真實(shí)驗(yàn)

在仿真環(huán)境 RLBench 中的 10 個(gè)任務(wù)上進(jìn)行訓(xùn)練，實(shí)驗(yàn)結(jié)果如 Table 1 所示：

• 集成到 GNFactor 后，在無(wú)需特征蒸餾模塊的情況下（訓(xùn)練無(wú)需額外的監(jiān)督信息），成功率超過基線方法 27%；
• 集成到 3D Diffuser Actor 后，首次讓單視角操作成功率突破 80%，刷新紀(jì)錄。

在此基礎(chǔ)上，我們進(jìn)一步通過網(wǎng)絡(luò)的梯度進(jìn)行了注意力可視化：

從 Figure 3 中我們可以觀察到：

• 傳統(tǒng)方法的注意力往往分散在背景和無(wú)關(guān)物體；
• HyperTASR 的注意力始終集中在任務(wù)相關(guān)的物體上，并隨著任務(wù)進(jìn)度動(dòng)態(tài)變化。

另外，我們進(jìn)行了消融實(shí)驗(yàn)，證明了 HyperTASR 設(shè)計(jì)中，引入任務(wù)進(jìn)展的合理性，以及證明了使用超網(wǎng)絡(luò)相比于直接利用 Transformer 將任務(wù)信息融合到場(chǎng)景表征里，能夠獲得更大的性能提升。

真機(jī)實(shí)驗(yàn)

我們采用 Aloha 進(jìn)行了真機(jī) manipulation 實(shí)驗(yàn)。如 Table 2 所示，在 6 個(gè)實(shí)際任務(wù)中，HyperTASR 在僅每個(gè)任務(wù) 15 條示教樣本的有限條件下達(dá)到了 51.1%，展示了在真實(shí)環(huán)境操作中的強(qiáng)泛化能力。

一些真機(jī)實(shí)驗(yàn)對(duì)比結(jié)果如下：