真机平均从 38.8% 到 50.0%：阿里用 67 个任务测 GeoProp

真机平均从 38.8% 到 50.0%：阿里用 67 个任务测 GeoProp

GeoProp（把机械臂末端的本体感觉投影到图像特征上，再在对应位置取样）来自阿里巴巴达摩院与 HuPan Lab，同济大学、南洋理工大学参与。许可证为 CC BY 4.0，arXiv 提交日是 2026-07-08。仿真 63 个任务，加上真机 4 个，结论里的 67 个任务把这两部分合在一起。

对照只换本体感觉怎么接进策略，数据、骨干、动作空间和训练日程在同一策略族里保持不变。三种接法是：去掉本体感觉、原论文的普通接法、换成 GeoProp。

仿真：63 个任务，成功次数怎么数

三个基准都是已有操作环境。MetaWorld 用 Sawyer 和 MuJoCo，50 个桌面任务，每个任务单独训一个策略，25 条脚本演示，角落相机，动作是末端平移增量。难度沿用 Easy、Medium、Hard、Very Hard。RLBench 用 Franka Panda 和 CoppeliaSim，6 个任务，每个 100 条 OMPL 演示，正面相机，绝对 7 自由度末端位姿，多任务一起训。RoboTwin 是双臂 ALOHA，7 个任务，每个 50 条演示，头相机，绝对 14 自由度，也是多任务训练。

策略两族。Diffusion Policy 把本体感觉用 MLP 编出来，再和视觉 token 拼在一起，骨干分别用从零训练的 ResNet-18 和 ImageNet-1K 初始化的 ViT-B/16。π0 是 30 亿参数的视觉—语言—动作模型，状态、图像和语言在 Transformer 里深层交互。图像都缩到 224×224。

成功率：MetaWorld 每个任务 2 个种子、每个种子 25 次评测，共 50 次；RLBench 和 RoboTwin 每个任务 25 次。Diffusion Policy 训 100 个 epoch，Adam 的 β 为 0.95 和 0.999，余弦学习率，10% 线性预热，初始学习率 1×10⁻⁴。π0 微调 3 万步，AdamW 的 β 为 0.9 和 0.95，3% 预热，峰值学习率 5×10⁻⁵。GeoProp 用两层 MLP 生成 FiLM 参数，运动预测从 4 帧历史外推一个未来路点。

Diffusion Policy 的表 1 把 MetaWorld 拆成 Easy、Medium、Hard、Very Hard 和该基准均值，后面再给 RLBench 均值和跨 63 个任务的总平均。括号里的百分点是相对普通接法的绝对差。ResNet-18 普通接法依次是 81.8、49.1、46.0、66.4、66.0、53.7、66.8；无本体感觉是 80.9、51.1、51.0、74.4、68.0、53.7、68.1；GeoProp 是 82.9、67.5、59.0、82.4、79.3、62.9、75.3，总平均比普通接法高 8.5 个百分点，比无本体感觉高 7.2 个百分点，参数多 3.0%。ViT-Base 普通接法是 78.3、46.7、34.0、63.6、65.3、41.1、62.0；无本体感觉是 78.5、50.5、30.7、52.8、70.7、42.9、62.3；GeoProp 是 81.5、62.5、52.7、69.2、79.3、52.0、71.0，总平均高 9.0 和 8.7 个百分点，参数多 2.3%。RoboTwin 的分任务数在附录，不把总平均误读成某一个基准。

π0 只报了 RoboTwin 七个任务：无本体感觉平均 61.7%，普通接法 64.0%，GeoProp 68.0%，七项里有五项高于普通接法。参数多 1.98%。演示规模 25、50、100 条时，提升分别是 2.3、4.0、2.8 个百分点。扩到 15 个 RoboTwin 任务是加 4.5 个百分点，明细在附录。Beat Block Hammer 上 GeoProp 是 84，普通接法是 100，这一项变差。

消融：几何对齐是主因，遮挡时会退步

15 个 MetaWorld 任务上，普通接法 61.2%。只做几何落地 64.8%。再加上运动预测 66.4%，或只加 FiLM 66.0%，三项全开 68.5%。运动预测和 FiLM 分开加是 1.6 和 1.2 个百分点，一起加是 3.7，作者称为超加。

热图注入和 RC-PE 在同样 15 个任务上是 61.7% 和 60.8%，无本体感觉 59.5%，GeoProp 的基础几何版 64.8%。只给投影坐标不够。

四个精细任务 Basketball、Hand Insert、Pick Place、Sweep Into 上，两个骨干平均提升 22.3 个百分点。物体挡住投影点时会退步：Box Close 上 ResNet 从 48 降到 40，ViT 从 54 到 54。把本体感觉编码器加大到同样参数量，Diffusion Policy 只多 0.5 个百分点，π0 只多 0.1，所以收益主要不是参数变多。

标定漂移在测试时加。平移误差到 2.5 厘米、旋转到 1.5 度以内，GeoProp 仍高于普通接法和无本体感觉，再大要重估相机位姿。具体曲线在附录 B.4。

真机：每项 20 次，咖啡这一项普通接法更差

平台是 Mobile ALOHA，两条 6 自由度臂，一台正面 Intel RealSense。四项家务：扔纸团、取咖啡杯、把桌上物体推进目标区、用布擦桌子。每项 50 条成功遥操作演示，每项 20 次评测。Diffusion Policy 用 ResNet-18。π0 用同一套演示和评测。

Diffusion Policy 平均：无本体感觉 28.8%，普通接法 38.8%，GeoProp 50.0%。分项是扔纸 25/35/50，咖啡 40/35/55，清桌 35/55/60，擦桌子 15/30/35。咖啡上普通接法 35% 低于只看视觉的 40%。论文写明 35% 到 55% 对应 20 次里多 4 次成功。π0 平均从 43.8% 到 53.8%，四项相对普通接法是加 15、10、10、5 个百分点。

结论把仿真里 Diffusion Policy 的提升写成 +8.7%、π0 写成 +4.0%、真机写成 +10.6%。这是跨设置的汇总，和上面分表的百分点不是同一个口径。

限制

需要已知内外参。只投影末端位置，不管连杆、关节、指尖和接触片，所以不覆盖灵巧手和全身。运动预测假设末端局部平滑，突然转向或接触切换会看出错的前瞻点。物体挡住投影像素，或基线已经接近满分时，收益变小甚至反过来。每个场景只有一个固定主相机。只覆盖三种本体和两种模仿学习策略，没有测人形、灵巧手或强化学习。

阿里，Quanhao Qian、Wenhao Li 等，GeoProp: Grounding Robot State in Vision for Generalist Manipulation，2026-07-08，https://arxiv.org/abs/2607.07101