近日，星塵智能與清華、港大、MIT聯(lián)合提出基于對比學習的隱空間動作預訓練（Contrastive Latent Action Pretraining, CLAP）框架。

這個框架能夠?qū)⒁曨l中提純的運動空間與機器人的動作空間進行對齊，也就是說，機器人能夠直接從視頻中學習技能！

長期以來，機器人學習面臨著一個令人頭疼的“數(shù)據(jù)饑荒”難題：互聯(lián)網(wǎng)上有著數(shù)以億計的人類行為視頻，但專門用于訓練機器人的數(shù)據(jù)卻寥寥無幾。這種數(shù)據(jù)不對稱現(xiàn)象的根源在于，收集機器人操作數(shù)據(jù)需要昂貴的硬件設備、專業(yè)的操作環(huán)境，以及大量的人工標注工作，成本高昂且效率低下。相比之下，人類行為視頻數(shù)據(jù)雖然豐富，但由于視覺表征與機器人動作空間之間存在巨大的語義鴻溝，傳統(tǒng)方法難以有效利用這些資源。

現(xiàn)有的潛在動作模型（Latent Action Models）試圖利用視頻數(shù)據(jù)，但往往會遭遇“視覺糾纏”（visual entanglement）問題——模型學到的更多是與實際操控無關的視覺噪聲，而非真實的操控技能。

CLAP框架的核心創(chuàng)新正是解決了這一長期困擾業(yè)界的技術瓶頸。該框架能夠?qū)⒁曨l中提純的運動空間與機器人的動作空間進行對齊，有效避免了以往潛在動作模型中普遍存在的"視覺糾纏"問題。通過對比學習，CLAP 將視頻中的狀態(tài)轉(zhuǎn)移映射到一個量化的、物理上可執(zhí)行的動作碼本上。

研究團隊基于兩種VLA建模范式進行訓練：其一是 CLAP-NTP，一種自回歸模型，在指令跟隨與對象泛化方面表現(xiàn)突出；其二是 CLAP-RF，一種基于 Rectified Flow 的策略，面向高頻率、精細化的操控。

這一技術突破的實際意義體現(xiàn)在多個層面。首先，從數(shù)據(jù)利用效率來看，CLAP框架使得機器人能夠從YouTube、抖音等平臺上的海量視頻中學習技能，極大擴展了可用訓練數(shù)據(jù)的規(guī)模。其次，從成本效益角度分析，這種“看視頻學技能”的方式顯著降低了機器人技能獲取的門檻。

此外，該框架還解決了機器人學習中的一個關鍵技術挑戰(zhàn)——知識遷移問題。通過知識匹配（Knowledge Matching, KM）正則化策略，CLAP有效緩解了模型微調(diào)過程中的災難性遺忘現(xiàn)象，確保機器人在學習新技能的同時不會丟失已掌握的能力。大量實驗表明，CLAP 顯著優(yōu)于強基線方法，使得從人類視頻中學習到的技能能夠有效遷移到機器人執(zhí)行中。

從產(chǎn)業(yè)應用前景來看，CLAP框架的長期價值不僅在于技術創(chuàng)新，更在于其對機器人產(chǎn)業(yè)化進程的推動作用。當機器人能夠通過觀看視頻快速掌握新技能時，企業(yè)部署機器人的成本和周期將大幅降低，這有望加速機器人在服務業(yè)、制造業(yè)等領域的規(guī)模化應用。

研究團隊構(gòu)建了一個統(tǒng)一的視覺-語言-動作（VLA）框架，使其能夠同時利用機器數(shù)據(jù)的動作精確性與大規(guī)模無標注人類視頻演示的語義多樣性?？蚣芊譃閮蓚€相互銜接的階段：

· 通過 CLAP 進行跨模態(tài)對齊：建立共享的潛在動作空間，彌合無標注人類視頻與有標注機器人軌跡之間的監(jiān)督缺口。該過程基于對比學習進行隱空間動作預訓練（CLAP）：它將人類視頻中的視覺狀態(tài)轉(zhuǎn)移“錨定”到一個量化的、物理上可執(zhí)行的動作空間中。

· 分層策略訓練：研究團隊通過連續(xù)訓練兩個 VLA 模型，將語義理解與控制動力學有效解耦：

(1) CLAP-NTP：采用“下一詞元預測”（Next-Token-Prediction）訓練的 VLA，擅長指令跟隨與任務規(guī)劃；

(2) CLAP-RF：包含一個 VLM 模型與一個采用 Rectified Flow 訓練的動作專家，以實現(xiàn)高頻、精確控制。

為高效適配新的本體形態(tài)并防止預訓練先驗在微調(diào)中發(fā)生災難性遺忘，研究團隊進一步提出知識匹配（Knowledge Matching, KM）微調(diào)策略：一種正則化方法，在微調(diào)過程中將策略更新錨定在可信區(qū)域內(nèi)。

大量實驗表明，CLAP 顯著優(yōu)于強基線方法，使得從人類視頻中學習到的技能能夠有效遷移到機器人執(zhí)行中。

下表 1 為初始設置下，CLAP 與基線方法在真實世界任務中的性能比較。

下表2 為 CLAP 與基線方法在環(huán)境擾動下的魯棒性評估。

更多實驗結(jié)果請參閱原論文。

· 論文標題：CLAP: Contrastive Latent Action Pretraining for Learning Vision-Language-Action Models from Human Videos