香港浸会大学的AI导航员：如何让机器人真正"看懂"前进的路？

来源：市场资讯

（来源：科技行者）

这项由香港浸会大学知识计算研究团队完成的研究，以预印本形式发布于2026年7月28日，论文编号为arXiv:2607.25337，感兴趣的读者可以通过该编号查阅完整论文。

**一段关于"地图"与"指南针"的故事**

假设你要去一个从未去过的城市参加一场重要会议，手头只有一本旧旅行日记——那是别人之前去过同一座城市留下的记录，里面写满了他每天走过哪些街道、花了多少时间到达目的地，但没有任何关于"哪条路最好走"的明确提示。你的任务是从这本日记里，自己摸索出一套判断"离目的地还有多远"的方法，然后用这套方法来指导自己的行走路线。

这个比喻，正是这篇论文要解决的核心问题所在。研究团队面对的是一个叫做"潜空间世界模型预测控制"的技术挑战，听起来复杂，但本质上和上面这个旅行问题一模一样：怎么让一个没有地图、没有GPS、只有旧日记的机器人，学会在脑子里"想象"出一条通向目标的好路？

**一、机器人的"脑补能力"从哪里来**

要理解这篇研究在做什么，先得搞清楚现代智能机器人是怎么学习的。传统的机器人学习方式，有点像让一个孩子反复对着照片描述"我看到了什么"——通过不断重建眼前的图像来理解世界。但这种方式既费力又低效，就像你每次回忆一个朋友的脸，都要在脑子里把对方的样貌从头画一遍一样。

后来研究者发现了一种更聪明的方式，叫做"联合嵌入预测架构"（Joint-Embedding Predictive Architecture，简称JEPA）。这种方式的思路是：与其让机器人把看到的图像原样复原出来，不如让它学会"预测接下来会看到什么"，而且这种预测是在一个经过压缩的抽象空间里进行的，研究者把这个空间叫做"潜空间"。好比你不需要把朋友的脸画出来，只需要在脑子里记住"他是一个戴眼镜、留短发的高个子"这样的抽象描述，下次一看到类似特征就能认出来。

在这个框架下，有一个叫LeWM（Latent World Model，潜世界模型）的系统做得相当不错。它训练了一个"编码器"把观察到的图像压缩成抽象描述，再训练一个"预测器"根据这些描述和机器人的动作预测下一步会发生什么。当机器人需要规划行动时，它会在脑子里"模拟"多条可能的行动路线，然后选出那条让自己最接近目标的路线。判断"哪条路最接近目标"的方式，是直接量一下终点状态和目标状态在潜空间里的欧几里得距离——就是两个点之间最直的那条直线距离。

这个方案有它的道理：如果两个状态在抽象空间里距离很近，那它们在现实中也应该比较接近。然而，香港浸会大学的研究团队发现了一个根本性的裂缝。

**二、旅行日记里的隐藏信息**

问题出在哪里？回到之前的旅行日记比喻。LeWM的方式相当于：你看两个地点在地图上的直线距离，然后以此判断要花多少时间走到那里。但实际上，两点之间可能有一条大河阻隔，绕路要花三倍时间；或者有一条捷径让你一下子就到了。直线距离并不等于"走过去需要多少步"。

研究团队用一个叫做Push-T的机器人操控任务做了验证。这个任务里，机器人要把一个T形积木推到指定位置。他们从实验记录里抽出一对一对的状态，测量它们在潜空间里的欧几里得距离，然后对比这两个状态之间实际相差了多少个操作步骤。结果发现，LeWM的潜空间距离和真实的步骤差之间的相关性（斯皮尔曼相关系数）只有0.65——也就是说，这个"距离感"有相当大的误差。更直白地说，潜空间里"看起来很近"的两个状态，在实际操作中可能需要绕很多弯路才能到达。

这个裂缝，就是研究者所说的"训练-规划鸿沟"（train-plan gap）：JEPA系统训练时学的是"预测下一步会是什么"，但规划时需要的是"哪条路走起来最省力"。这两件事用的是同一套潜空间，但并没有人专门把这个空间调校成适合导航的样子。

香港浸会大学的团队由此提出了一个关键问题：旧日记本身——也就是那些没有奖励信号的示范轨迹数据——里面其实已经藏着时间顺序的信息。日记里第5天到第20天之间走了15天，这本身就告诉你两个地点之间大概需要多少步。能不能从这些纯粹的步骤顺序信息里，挖掘出一套真正适合规划的"进度尺"？

**三、时间距离：从日记里挖出的指南针**

为了解决这个问题，研究团队提出了一个新方法，叫做TD-JEPA（Temporal-Distance JEPA，时间距离联合嵌入预测架构）。这个名字里的"时间距离"，就是那把从旧日记里挖出来的指南针。

TD-JEPA的基本骨架和LeWM完全一样：同样的编码器、同样的预测器、同样的防止系统"偷懒"的正则化方法（叫SIGReg）。新东西在于，研究团队在这个骨架上额外装了一个"时间感应器"——一个专门学习"从状态A到状态B需要多少步"的模块。

具体来说，这个时间感应器用了一种叫做度量残差网络（MRN，Metric Residual Network）的结构来定义一种"有方向的距离"。为什么要强调"有方向"？因为现实中的行进往往是不对称的——从山脚走到山顶和从山顶走到山脚，花的力气完全不一样。同样，机器人把积木从A位置推到B位置，和从B推回A，需要的步骤数可能大相径庭。传统的欧几里得距离是对称的（A到B和B到A一样远），但真实的到达代价不是。这个新的距离函数由两部分组成：一部分是对称的，捕捉两个状态的共同特征；另一部分是不对称的，专门描述"从这里到那里"的方向性差异。两部分加起来，得到一个永远非负、而且方向感正确的"前进代价"函数，记作d_ψ。

有了这个函数形式，还需要数据来"校准"它。研究团队的做法非常巧妙：从示范轨迹里取两个时间点i和j（i在前，j在后），它们之间的步数差j-i就是"时间标签"，要求d_ψ学会把这对状态的代价估计到接近j-i。与此同时，他们还从不同轨迹里随机抓一些"负样本"——这些来自不同轨迹的状态对之间并没有直接的路径关系，所以它们的代价不应该很低，否则就是系统在"乱说话"。通过一个叫做Smooth L1的平滑损失函数来做回归，加上一个防止负样本代价过低的惩罚项，这套监督信号就让d_ψ真正地"理解"了步骤顺序的含义。

还有第三个新加入的成分：滚动一致性损失（rollout consistency loss）。规划的时候，机器人会在脑子里把未来五步的状态都模拟出来，然后看终点离目标有多远。研究团队发现，如果只训练"下一步预测"，多步累积下来的误差会越来越大，就像每走一步都偏了一点点，走了五步以后就完全偏了方向。于是他们专门加了一个训练目标，让系统在模拟五步的时候，每一步的误差都尽量小，把预测的准确性和规划的深度绑在一起。

把这三个成分放到一起，完整的TD-JEPA训练目标就是：原来的一步预测损失，加上五步滚动损失，加上时间距离监督，再加上防坍缩的SIGReg正则化，四项各有权重地加权求和。

**四、两套角色，两种用法**

理解了TD-JEPA的构造之后，还有一个设计选择非常值得关注：学出来的d_ψ并不是在所有任务里都直接用于规划的。研究团队提出了一个"双角色"的设计哲学，并且根据任务的性质来决定用哪种方式。

在以拓扑结构为主的任务里——比如机器人要穿过两个房间找到目标，或者机器人手臂要伸向一个特定位置——"走了多少步"和"到达目标"之间的关系非常直接。在这类任务里，直接用d_ψ作为规划代价，就像真正拿着那把"时间指南针"来导航，效果非常好。

但在以精细接触为主的操控任务里——比如把T形积木精确推到指定角度，或者把一个立方体移到目标位置——"走了多少步"和"任务成功"之间的关系就复杂多了。积木在快要到位的最后几步，需要的是对当前几何姿态的精确感知，而不是"大方向上还有多远"。在这类任务里，研究团队反而选择继续用欧几里得距离作为规划代价，但用的是经过TD-JEPA时间训练之后的那个潜空间，而不是LeWM原始的潜空间。

这就好比说：时间距离训练让这个潜空间的"地图"变得更准确、更有结构，但在需要精细导航的最后阶段，你还是要看地图上的精确坐标而不是走路时间。时间训练的意义，在于让地图本身更好用，而不是强行替换掉所有的导航工具。

**五、实验结果：数字背后的故事**

研究团队在四个不同的任务环境里测试了这套方法，每个任务都代表一类典型的挑战。

第一个是Two-Room（双房间导航），机器人需要从一个房间穿过走廊到达另一个房间的目标位置。这是一个典型的拓扑导航任务。TD-JEPA在这里拿到了100%的成功率，而LeWM是97.4%，另一个叫RC-aux的对比方法是98.6%。虽然差距看起来不大，但这里存在一个有趣的训练动态：如果你追踪训练过程中每个epoch（训练轮次）的成功率，会看到前几轮成绩波动很大，到第五轮只有74%，然后从第六轮开始急速爬升，到第九轮达到100%。这条成长曲线说明，时间距离监督需要一定时间才能让系统真正"悟到"正确的导航方向感。

第二个是Reacher（机械臂伸向任务），机械臂要把末端移到一个随机指定的位置。TD-JEPA达到97%，LeWM是96%，RC-aux是96.8%。这里研究团队还发现了一个有趣的细节：在规划时，如果只看终点状态的代价，效果反而不如把整段轨迹上的平均代价也考虑进去（以0.3的权重混合）。原因在于，时间距离训练让整段路径的进度都有了意义，不只是最后一步。

第三个是Push-T（T形积木推送），这是那个用来说明"直线距离不等于行进步数"问题的任务。在这里，TD-JEPA用的是经过时间训练的潜空间，但规划代价用欧几里得距离，成功率达到86%，比LeWM的83.6%高了约2.4个百分点。

第四个是OGB-Cube（立方体操控），机器人要把一个三维立方体移到指定位置和方向。这是最复杂的操控任务。TD-JEPA在这里取得了最引人注目的提升：82.2%，比LeWM的68%高出了整整14.2个百分点，还略微超过了RC-aux的81.6%。这说明，即便在最后规划时用的是几何距离，经过时间训练的潜空间也能提供质量更高的状态表示，让距离计算更有意义。

从这四个数字来看，TD-JEPA在每个任务上都做到了"不比两个对手差"——这是研究团队设定的核心目标，也是他们最终实现的结果。

**六、拆开看：哪个零件最关键**

为了验证每个设计选择是否真的有用，研究团队做了一系列"拆零件"实验，专门在Push-T任务上测试。

去掉"有方向的残差"那部分，也就是把MRN结构换成一个普通的对称欧几里得投影——成功率从85%附近直接掉到57%附近，是最大的单项损失。这说明仅仅有时间标签的监督还不够，必须配合一个能表达方向性的函数结构，两者缺一不可。

去掉"跨轨迹负样本"那项惩罚——成功率降到77%附近。没有负样本，系统就可能在遇到来自不同轨迹的状态对时，给出莫名其妙的低代价估计，就像导游给你指路时，把你指向了一个完全不相关的目的地，因为他从没见过"错误的目的地"是什么样子。

去掉"五步滚动一致性"训练——成功率降到60%附近，比去掉负样本还要惨。多步预测的精度是规划能力的基础，如果系统在脑子里模拟五步以后误差已经积累得很大，那d_ψ再准确也救不了规划。

总结下来，这三个成分——有方向的代价函数结构、跨轨迹负样本、以及与规划视野对齐的多步一致性——共同构成了TD-JEPA超越基线的核心，缺少任何一个都会有明显的性能下降。

**七、为什么接触任务里时间代价反而不如几何距离**

一个值得深挖的现象是：在Push-T任务里，d_ψ在预测"步数相关性"上明显优于欧几里得距离（斯皮尔曼相关0.91对比0.79），但如果规划时直接用d_ψ，成功率反而只有69%，远低于用欧几里得距离的86%。这是不是矛盾？

研究团队通过记录每个失败案例的"失败位置"找到了答案。他们把每次推积木的过程分成两个阶段：接触前（机器人靠近积木）和接触后（积木被推动、调整角度）。在用d_ψ规划的时候，接触前阶段失败的次数很少，但接触后失败的次数非常多；而用欧几里得距离规划时，接触前几乎不失败，接触后失败次数也大幅减少。

这说明，时间代价d_ψ很擅长引导机器人"大方向上怎么走"，但在需要精细调整积木角度的最后阶段，它提供的"进度感"反而会产生误导。研究团队还尝试了一种"接近目标时切换到几何距离"的混合策略，发现这确实比纯d_ψ好，但仍然比直接用几何距离差。根本原因在于，整个CEM规划过程中，几何信息在每一轮候选动作的筛选里都起着作用，不是仅仅在最后几步才需要。这个发现直接支持了研究团队的双角色设计哲学：任务类型决定了应该用哪把尺子来规划。

**八、这套方法在更大图景里处于哪个位置**

研究团队还把TD-JEPA和文献中更广泛的方法做了一个非正式的对比。他们特别指出，这个对比不是严格的头对头测试（因为不同方法用了不同的实验配置），只是一个参考。在这个参考框架里，TD-JEPA在Two-Room和Reacher上达到了文献报告中的最高水平，在OGB-Cube和Push-T上也处于竞争性水准。

相比于"价值引导的JEPA"方法（Value-Guided JEPA），TD-JEPA的最大区别在于：它不需要用强化学习来估计一个"价值函数"，只需要轨迹里自带的时间顺序信息。这就像说，你不需要雇一个专门评估"这条路好不好走"的顾问，只需要从旅行日记的日期里自己推算出来。这个特性让TD-JEPA在完全没有奖励信号的离线数据场景下也能工作，适用范围更广。

相比于RC-aux（另一个同期出现的竞争方法），RC-aux的思路是教系统区分"在规划时间范围内能到达的目标"和"最终能到达但现在到不了的目标"，但它最终规划时仍然用欧几里得距离。TD-JEPA则直接挖掘了一个可以用于规划的代价函数，思路上更主动、更直接。

说到底，TD-JEPA做的事情，本质上是给旅行者的旧日记本装上了一个"时间感"的解码器。这本日记里的每条记录，都隐含着"走到这里花了多少时间"的信息，而这个信息是判断前进方向最直接的依据——比在地图上量直线距离要靠谱得多。

研究团队证明，对于需要导航的任务，这把从日记里提炼出来的"时间指南针"确实能帮机器人找到更好的路；而对于需要精细操控的任务，这本日记的价值不在于直接用作指南针，而在于让地图本身变得更准确、更有结构，从而让普通的"量距离"方法也能发挥更大的作用。

这项研究揭示的核心道理，可能比它解决的具体问题更有启发意义：训练时学的东西和部署时用的东西，应该从一开始就放在一起设计，而不是训练完了再临时想办法适配。规划需要什么样的"进度感"，就应该在训练阶段就把这种进度感的监督信号明确地写进去。当然，这个方法目前还依赖于一个假设：示范轨迹中的时间顺序可以作为"到达代价"的合理替代。当演示轨迹本身有很多迂回、或者不同轨迹之间的可达性差异很大时，这个假设会受到挑战，也是未来值得继续研究的方向。有兴趣深入了解完整细节的读者，可以通过编号arXiv:2607.25337查阅原始论文。

Q&A

Q1：TD-JEPA里的"时间距离"具体是什么意思，和普通的空间距离有什么区别？

A：普通的空间距离（欧几里得距离）就是两个状态在抽象空间里的直线远近，就像量地图上两点的直线距离。时间距离则是"从一个状态出发，按照演示数据里的轨迹，需要走多少步才能到达另一个状态"。TD-JEPA里的d_ψ专门学习这种步数差，而且它是有方向的——从A到B需要的步数，可以和从B到A完全不同，更符合现实中机器人操控任务的实际情况。

Q2：为什么Push-T任务里TD-JEPA的时间代价d_ψ排名准确性更高，实际规划成功率却反而更低？

A：因为"能准确预测步数差"和"适合指导精细操控"是两件不同的事。Push-T任务在积木接近目标位置的最后阶段，需要机器人对当前几何姿态（角度、位置）做精细调整，这时候"还需要多少步"的判断其实会产生误导。欧几里得几何距离在这个阶段能更准确地捕捉"积木现在的姿态离目标有多偏"，从而给规划器提供更有效的引导信号。

Q3：RC-aux和TD-JEPA都是在LeWM基础上改进的，它们的核心区别是什么？

A：RC-aux的做法是在训练时加入"预算受限的可达性"监督，让系统学会区分"在规划时间步数内能到达的目标"和"终究能到达但现在还到不了的目标"，但规划时仍然用欧几里得距离评分。TD-JEPA的做法是直接从轨迹时间顺序里挖掘一个有方向的代价函数d_ψ，这个代价函数既可以直接用于规划（拓扑任务），也可以通过改善潜空间结构来提升几何规划的质量（操控任务）。