SCAR：自监督连续动作表示学习
SCAR提出一种自监督框架，通过联合逆正向动力学从视觉转换中学习跨具身的统一动作表示，利用生成式骨干网络、逆动力学模型和正向动力学模型，并采用高斯先验正则化和对抗不变性来提升可迁移性。实验表明，该动作表示比具身特定原始动作更有效，增强了跨具身低数据适应和跨任务迁移。
来自香港大学等机构的研究人员提出了一种名为SCAR（Self-Supervised Continuous Action Representation Learning，自监督连续动作表示学习）的新框架，旨在解决具身智能中动作表示的可迁移性挑战。该论文于2026年5月13日提交至arXiv（编号2605.16412），展示了如何从视觉转换中学习统一的动作表示，从而让世界模型能够在不同物理形态之间泛化，尤其在数据有限的情况下表现出色。
传统的世界模型通常将动作视为辅助条件信号，但SCAR将动作视为独立的表示因子，能够将可控变化与具身特定的驱动方式分离开来。该框架构建在预训练的生成式骨干网络上，核心包含两个模块：逆动力学模型（IDM）从潜在观测对中推断潜在动作，正向动力学模型（FDM）基于这些潜在动作预测未来的动态变化。
为了确保潜在空间具有可迁移性，而非沦为通用的视觉瓶颈，SCAR引入了两种正则化技术。首先，通过将潜在动作的后验分布向标准高斯先验对齐，限制任意视觉编码。其次，引入对抗不变性机制，抑制具身和环境带来的干扰因素。这种设计使得SCAR学习的动作表示能够捕捉不同物理形态之间共享的“可控变化”本质。
在Procgen和Robotwin数据集上的实验验证了该方法的有效性。Procgen包含多种游戏环境，用于测试跨任务迁移；Robotwin则专注于机器人操控场景。结果显示，与使用具身特定原始动作相比，SCAR学习的统一潜在动作表示作为世界模型的条件接口更为强大，显著提升了跨具身的低数据适应能力和跨任务迁移性能。例如，在仅有少量演示数据的情况下，SCAR能够快速适应新的机器人形态。这一成果表明，动作可以作为一种跨具身的共享表示来学习，为构建更具泛化性的世界模型提供了新思路，对未来通用机器人智能具有重要意义。