摘要
机器人看得见，但不一定看得准。 大量VLA模型仍然主要依赖二维视觉，一旦遇到精定位、细摆放、遮挡判断这类需要空间感知的任务，成功率就会明显下滑。 补空间信息的路有两条，但都有代价。 显式3D路线靠深度传感器和点云重建，硬件链路长、对标定误差敏感；隐式3D路线从RGB学几何，省了硬件，但不少方案依赖较重的基础模型，训练和推理成本偏高。 现在，上海交大MINT团队提出了一条中间路线: Evo-Depth，约0.9B参数，不额外增加硬件负担，用紧凑的隐式深度编码把空间感写进VLA策略里，仿真与真机同时兼顾性能与部署效率。 仿真端，Meta-World 84.4%、LIBERO 95.4%；真机平均成功率约90%；部署侧约3.2 GB显存、约12.3 Hz推理频率。 代码、权重、训练脚本已全面开源。 轻量、可端到端训练 直入主题，Evo-Depth的核心思路是: 从多视角RGB提取紧凑的隐式深度表征，再以轻量方式融入视觉-语言通路，最后通过flow-matching动作专家输出连续动作。 整个系统主要由三部分组成: 1、IDEM：Implicit Depth Encoding Module。 IDEM负责从多视角图像中提取隐式深度特征，强调空间布局与相对几何关系，而不是显式生成高成本的3D中间表示。 论文中，IDEM骨干约0.13B参数，并结合多视角深度预训练初始化，在轻量条件下引入与深度相关的归纳偏置。 2、SEM：Spatial Enhancement Module。 SEM将隐式深度作为一种调制信号，用于增强视觉-语言表征。 相比直接增加独立深度分支，这种融合方式更克制: 原有VLM继续负责语义理解 深度特征主要负责空间增强 同时尽量控制延迟与显存开销 3、Progressive Alignment Training。 多模块联合训练通常容易出现优化不稳定的问题。 为此，作者采用Progressive Alignment Training，通过分阶段训练方式逐步完成：深度表征对齐-多模态融合-动作学习。 动作头则采用了当前VLA中较常见的flow-matching路线。 在约0.9B总参数设置下，论文报告的结果如下。 仿真： Meta-World 84.