AMAP CV Lab团队投稿

智猩猩AI整理

机器人领域长期追求“One-Brain, Many-Forms（一个大脑，多种形态）”的通用智能体：在不同机器人本体、不同任务与不同场景下，依然具备可迁移、可泛化、可组合的操作能力。

现实瓶颈主要集中在三方面：

• 数据层：开源数据分散在不同平台与格式中，难以统一治理与复用；同时高质量动作标注成本高、积累慢。

• 表征层：不同数据集动作空间、坐标系、控制频率各异，导致跨本体学习难以对齐，模型容量被迫“记住差异”。

• 训练层：主流VLA 往往沿用 VLM 范式，但机器人操作需要更强的空间结构理解与稳定的动作生成目标，二者存在天然错配。

为此，阿里巴巴高德AMAP CV Lab团队发布 ABot-M0：一个面向机器人操作的 视觉-语言-动作（VLA）基础模型框架，以“数据治理 + 统一动作表征 + 新的动作学习范式 + 可插拔感知结构”为核心，提供一条从异构开源数据到高性能通用策略的系统化、可复现路径。ABot-M0在具身智能领域主流三大开源仿真评测基准Libero、Libero-Plus、RoboCasa中，平均任务成功率均实现SOTA。

• 论文标题：《 ABot-M0: VLA Foundation Model for Robotic Manipulation with Action Manifold 》Learning

• 论文链接：https://arxiv.org/abs/2602.11236

• 代码：https://github.com/amap-cvlab/ABot-Manipulation

• 项目主页：https://amap-cvlab.github.io/ABot-Manipulation

01 ABot-M0 的关键贡献（从数据到模型的完整闭环）

1. UniACT-dataset：统一、开源、超大规模的操作数据基座

AMAP CV Lab团队整合并治理 6 个主流开源数据集，构建 UniACT-dataset：目前非私有领域内规模领先的机器人操作混合数据集之一，覆盖 600 万+ 轨迹、9500+ 小时、20+ 机器人形态（embodiments）。其价值不只是“更大”，更是“可对齐、可训练、可迁移”。

2. Action Manifold Learning（AML）：面向机器人动作生成的学习范式升级

在动作生成上，ABot-M0 提出动作流形假说（Action Manifold Hypothesis）：有效、可执行、连续的机器人动作序列并不随机分布在高维空间中，而是受物理规律与任务约束影响，集中于一个低维、光滑的“动作流形”之上。

据此该团队设计 Action Manifold Learning（AML）：以 DiT（Diffusion Transformer） 为动作专家骨干，不再以预测噪声为核心目标，而是更直接地学习生成“可行、平滑、连续”的动作序列，从而在效率、稳定性与高维动作空间建模方面取得优势。

3. Modular Perception：语义与几何解耦、可插拔的双流感知架构

标准VLM 擅长语义理解，但在精细 3D 空间推理上存在结构性短板。ABot-M0 采用双流感知：

• VLM 语义流：以 Qwen3-VL 为骨干，承担视觉理解与语言对齐。

• 3D 几何流（可选、可插拔）：通过模块化方式引入几何先验，例如 VGGT（单图3D 结构特征）与 Qwen-Image-Edit（多视角合成与特征融合）。

该设计的工程优势在于：无需修改骨干网络，即可按任务需求开启/关闭 3D 能力注入，实现从通用到高精度的能力扩展。

02 方法要点：统一动作空间、统一训练接口、统一单/双臂能力

1. 统一动作表征：跨本体对齐的关键工程

针对开源数据中的动作定义不一致问题，该团队将所有数据统一到：

• 末端执行器（EEF）坐标系下的增量动作（Delta Actions）

• 旋转统一为更稳定的 旋转向量（Rotation Vectors）

• 单臂/双臂统一采用 Pad-to-Dual-Arm（填充至双臂）：单臂数据在未使用手臂维度进行零填充，使单一策略网络能够统一学习与推理。

这套标准化显著降低跨本体学习中的“对齐成本”，让模型容量更多用于学习可迁移的操作规律。

03 实验结果：多基准验证的性能与泛化

AMAP CV Lab团队在多个主流仿真基准上对ABot-M0 进行了系统评估，结果表明其在“高成功率 + 强鲁棒性 + 跨场景泛化”上具备一致优势。

1. LIBERO & LIBERO-Plus

• LIBERO：平均成功率 98.6%，在长序列任务上表现突出。

• LIBERO-Plus（零样本鲁棒性评估）：成功率 80.5%，显著领先多种强基线，体现对视觉/语言扰动与场景变化的稳健泛化能力。

2. RoboCasa GR1 & RoboTwin 2.0

• RoboCasa GR1（高维双臂/全身动作空间）：成功率 58.3%，验证AML 在高维动作建模与长 chunk 预测中的优势。

• RoboTwin 2.0（多任务 + 强随机化）：随机化场景下成功率 81.2%，优于π0.5、X-VLA 等基线，体现跨任务鲁棒学习能力。

04 开源与意义：在公开资源上构建可复现的通用操作基座

ABot-M0 不仅是一个更强的 VLA 模型，更是一套面向“通用具身智能”可落地的系统化方案：

• 从 多源开源数据治理 出发，提供统一标准与训练接口

• 通过 动作流形学习（AML） 提升动作生成稳定性与效率

• 以 模块化感知架构 兼顾语义泛化与 3D 精度需求

• 支持后续在更多本体、更长任务、更高自由度控制上的可扩展研究