SCAR：面向跨具身的自监督连续动作表征学习
在具身智能研究中，动作始终处于核心位置，但如何仅从视觉变化中学习到可迁移的动作表征，仍然是一个根本性难题。这一困难在需要跨具身泛化、且数据受限的世界模型中尤为突出。来自 arXiv 的一篇新论文《SCAR: Self-Supervised Continuous Action Representation Learning》对此提出了自己的见解：动作不应只被视为一种辅助的条件信号，而应被看作一个独立的表征因子，用以将可控变化与具体具身相关的驱动方式解耦。
该论文由 Hongjia Liu 等共六位作者完成，于 2026 年 5 月 13 日提交至 arXiv，编号为 2605.16412，属于机器人学（cs.RO）方向，同时涉及计算机视觉与模式识别（cs.CV）。作者提出名为 SCAR 的联合逆动力学—前向动力学框架，用于从视觉变化中学习跨具身的统一动作表征。
SCAR 的架构建立在一个预训练的生成式骨干网络之上。其核心包含两个部分：逆动力学模型（IDM）负责从潜在观测对中推断潜在动作；前向动力学模型（FDM）则以这些潜在动作为条件，预测未来的动态演化。通过这种逆—前向联合建模，模型能够在没有显式动作标签的情况下，自监督地获得动作的连续表征。
为了避免学到的潜在空间仅仅成为通用的视觉瓶颈，作者在训练中引入两项关键正则化。其一，将潜在动作后验分布向标准高斯先验靠拢，从而限制任意的视觉编码，使潜在变量真正承载动作信息；其二，引入对抗性不变性约束，抑制与具体具身和环境相关的干扰因素。这两项设计共同促使潜在动作空间具备可迁移性，而非简单地记忆视觉特征。
实验在 Procgen 与 Robotwin 两个数据集上进行。结果表明，所学的统一潜在动作表征作为世界模型的条件接口，优于具体具身特有的原始动作。它在跨具身的低数据适应以及跨任务迁移方面均带来提升。作者据此认为，动作可以被学习为跨具身可控变化的共享表征，从而为构建更具可迁移性与泛化能力的世界模型提供接口。
这项工作的重要意义在于重新界定了动作在世界模型中的角色：它不是附属于某一具体机器人形态的原始控制量，而是一种能够抽象出"可控变化"的共享表征。若这一思路得到进一步验证，将有助于缓解具身智能中跨平台数据稀缺、模型难以迁移的痛点，并推动世界模型在不同机器人形态与任务之间更高效地复用知识。