STORM：面向机器人操作的基于槽的任务感知对象中心表示
机器人学
2026-01-29 v1
摘要
视觉基础模型为机器人提供了强大的感知特征，但其密集表示缺乏显式的对象级结构，限制了操作任务中的鲁棒性和可收缩性。我们提出了STORM，一个轻量级的对象中心适应模块，它通过一组语义感知槽来增强冻结的视觉基础模型，以用于机器人操作。STORM并非重新训练大型骨干网络，而是采用多阶段训练策略：首先使用语言嵌入通过视觉-语义预训练稳定对象中心槽，然后与下游操作策略联合适应。这种分阶段学习防止了退化槽的形成，并在将感知与任务目标对齐的同时保持了语义一致性。在对象发现基准和模拟操作任务上的实验表明，与直接使用冻结的基础模型特征或端到端训练对象中心表示相比，STORM改善了对视觉干扰物的泛化能力和控制性能。我们的结果凸显了多阶段适应作为一种高效机制，可将通用基础模型特征转化为用于机器人控制的任务感知对象中心表示。
引用
@article{arxiv.2601.20381,
title = {STORM: Slot-based Task-aware Object-centric Representation for robotic Manipulation},
author = {Alexandre Chapin and Emmanuel Dellandréa and Liming Chen},
journal= {arXiv preprint arXiv:2601.20381},
year = {2026}
}