机器人“看花眼”怎么办？深圳这家公司联合北大清华，给出了答案

深圳新闻网2026年7月7日讯（记者 王睿）如果给机器人戴上一副沾满油污的眼镜，它还能准确抓取杯子吗？对人类来说，镜头模糊、反光、昏暗都不算难题，但对最先进的机器人AI模型而言，答案并不乐观。

7月6日，第43届国际机器学习大会（ICML）在首尔开幕。在这场全球顶级的AI学术盛会上，深圳具身智能企业星尘智能联合北京大学、清华大学等机构，正式发布并开源了机器人视觉鲁棒性架构——StableVLA。

机器人为何会“看花眼”？

VLA（视觉-语言-动作）模型是当前具身智能的核心路线：机器人通过摄像头“看见”环境，经大模型“理解”任务，再“输出”动作。然而现实世界充满镜头油污、光照突变、反光遮挡等干扰，而训练数据无法覆盖所有可能。研究发现，即便最先进的VLA模型，遭遇未见过的视觉干扰时性能也会大幅下降。

问题出在哪？团队系统诊断后发现：视觉编码器和大语言模型都不是主因，真正的薄弱环节是连接两者的投影器（Projector）。好比一个跨国团队，投影器是中间的翻译官。目前主流投影器采用MLP结构，像个“全通滤波器”——不区分目标信息还是噪声，一股脑送入决策系统，导致误判。

给机器人装“智能降噪器”

找到病根，团队提出IB-Adapter（信息瓶颈适配器） ，核心理念是“信息不是越多越好，关键要保留最有价值的”。它相当于在视觉特征进入决策层前加装一层筛选器：保留物体轮廓、空间结构等有用特征，同时压制噪点、反光、模糊等冗余信息。

这套“关联分析+智能门控+特征重构”机制，为每个特征通道安装独立开关，重要通道开启，噪声通道关闭。整个模块新增参数不足1000万，对于动辄数十亿的大模型来说几乎可以忽略。

5亿参数挑战70亿，效果超预期

在不增加训练数据、不做数据增强的情况下，IB-Adapter平均带来约30%的性能提升。更令人瞩目的是：搭载IB-Adapter的StableVLA，即便只使用5亿（0.5B）参数的模型，也能达到接近70亿（7B）参数级VLA模型的鲁棒性表现——规模相差14倍。

在LIBERO、CALVIN等权威基准测试中，StableVLA在多数子任务中取得最优或次优成功率。真实机器人测试中，团队在Astribot S1平台上进行抓取、倒水、玩偶装箱等任务，并人为制造图像噪声、模糊、镜头油污等干扰。结果显示：在玩偶装箱任务中，StableVLA（0.5B）达到50%成功率，远超同参数的VLA-Adapter（20%）和参数更高的OpenPI 0.5（3B，40%）。

深圳企业站上全球舞台

星尘智能（Astribot）成立于2022年，创始人兼CEO来杰拥有超17年AI与机器人研发经验，曾任腾讯机器人实验室1号员工。今年6月，公司完成B轮系列融资，三个月内融资超10亿元，估值突破百亿元。公司自研Lumo基座模型与绳驱本体技术，构建了“AI模型—具身OS—绳驱本体”全栈自研体系，已在科研、商业、工业等领域实现落地。

从学术到产业，StableVLA回答了一个现实问题：机器人如何离开实验室走进真实世界？工厂、商场、家庭永远不会拥有完美的光照和干净的镜头。机器人未必需要更大的模型，但一定需要更稳定的视觉理解能力。这或许是具身智能从“能工作”迈向“可靠工作”的关键一步。