论文阅读笔记——A0: An Affordance-Aware Hierarchical Model for General Robotic Manipulation

A0 论文阅读笔记
现有的 VLA 因缺乏空间位置理解直接生成动作，导致擦拭白板、堆叠物体等复杂任务表现欠佳。而 SpatialVLA，Any-point Trajectory Modeling，RoboPoint，Track2Act 等基于点的方法侧重轨迹建模，General Flow，Im2Flow2Act 基于流的方法侧重稠密空间表征，计算成本高，具身依赖性强。$A_0$ 提出以物体为中心的"具身无关可供性表征"，仅预测待操作物体的接触点及轨迹。该设计使方法具备跨平台泛化能力，仅需少量标注数据微调即可实际部署。

Affordance 能在复杂环境中实现结构化动作选择，基于 Heatmap 的方法能定位但计算成本高；基于边界框和关键点的方法效率和精度都好。$A_0$ 的 Affordance 区别于 RoboBrain 和 Robopoint 的是，他是一个接触点而不是接触区域。

$A_0$ 其核心创新在于将任务分解为高层空间可操作性推理与底层动作执行，通过跨平台的具身无关可操作性表示（Embodiment-Agnostic Affordance Representation）预测物体中心的接触点与轨迹，实现多机器人系统的泛化能力。

采用 DROID-2k、HOI4D-22k、ManiSkill-5k 按照 8:2 划分作为数据集
具身无关数据表示：$\mathcal{R}={\mathcal{R}}_R\cup {\mathcal{R}}_H\cup {\mathcal{R}}_C=\{(I,L,C,T)|C=(c_0^{2D}),T=(t_0^{2D},t_1^{2D}，t_2^{2D}，\dots \dots )\}$ （以物体为中心的图像——当前帧，一组二维 waypoint——接触点、接触后的轨迹）

• 视觉编码器：使用预训练的 SigLiP（400M） 提取图像特征，将 I t − 1 I_{t-1}