> ## Content Index
> Fetch the complete content index at: https://binnn.top/llms.txt
> Use this file to discover other available public pages before exploring further.

# SLA：在持续预训练中给机器人视觉表示加入空间监督
- URL: https://binnn.top/sla-spatial-alignment-training/
- Published: 2026-11-07T05:12:07.000Z
- Updated: 2026-11-07T08:18:16.000Z
- Description: SLA将三维表示对齐贯穿持续预训练与下游适配，辅助模块仅用于训练；真实机器人任务中仍存在部分完成却无法完整执行的情况。
- Author: Sunbin 编辑部
- Tags: AI 最新论文进展, 机器人, #sunbin-auto, #sunbin-newsroom

论文阅读笔记 · arxiv.org · 原文日期 2026-11-05

## 把空间对齐贯穿两个训练阶段

SLA从已有的π0.5机器人策略出发，同时训练动作预测与空间表示对齐：让模型中间层的视觉表示学习冻结三维感知模型提供的空间信息。作者将这种监督用于持续预训练，并保留到下游后训练，希望空间能力能跨任务迁移。

## 用门控适应不同机器人数据

面对不同机器人、任务与场景，SLA通过依赖输入特征的门控，聚合多个层的视觉表示接受空间监督。教师模型还能利用部分样本已有的深度和相机标定，这些信息并非所有样本的必需输入；训练时另以概率丢弃状态输入，促使策略依赖视觉线索。

## 部署时移除空间监督模块

空间监督的辅助组件只参与训练。部署时，策略不再运行外部三维感知教师、对齐投影器和层选择门控，保留原有推理架构。因此，这套方法把三维模型用于塑造策略内部表示，无需在每次动作预测时额外调用它。

## 用历史画面补充短期记忆

论文还记录了一种画面记忆机制：保留回合初始帧，再加入此前八秒中每秒一帧的主相机画面，按时间先后排列。回合开始不足八秒时，以初始帧补齐缺失位置。腕部相机只提供当前帧，历史画面仅取自主相机。

## 真实任务仍有完整执行失败

作者在RoboDojo-Real上，将三种机器人形态的18项任务联合后训练为单一策略。该评测的得分记录部分进展，成功率只计完整执行。Piper X上的盖笔帽与挂杯任务虽分别得到18.0和8.0分，完整成功率仍为零，说明局部动作进展不能等同于任务完成。

原始标题：SLA: Scaling Spatial-Language-Action Model via Continual Pre-training  
[来源：arxiv.org](https://arxiv.org/abs/2611.08373?ref=binnn.top)