在 SpatialVLA 模型中，Action Head（动作头） 采用了 自适应空间动作网格(Adaptive Spatial Action Grids) 的设计，用于将机器人连续动作离散化为可学习的 token，并作为模型输出。该机制不仅提升了动作建模的表达能力，还提高了推理效率与跨机器人适配能力。
SpatialVLA 将机器人的每一步动作拆分为以下三部分：
| 类型 | 维度 | 含义 |
|---|---|---|
| 平移动作 ΔT | (x, y, z) → (\phi, \theta, r) | 用球坐标建模位置移动方向与距离 |
| 旋转动作 ΔR | roll, pitch, yaw | 表示姿态变化 |
| 抓取动作 G | gripper (0/1) | 表示夹爪开/合 |
这些连续动作维度均被 归一化到 [-1, 1] 区间，并通过统计整体数据集分布进行 高斯建模，进而划分出离散动作网格（grids）。
- 拟合分布：对每个动作维度进行高斯分布拟合 ( \mathcal{N}(\mu_a, \Sigma_a) )
- 等概率离散化：将每个维度划分为 (M) 个区间，使每个区间的概率密度积分为 ( \frac{1}{M} )
- 生成 token：每个区间对应一个离散 token，最终得到：
- (M_{\phi} \times M_{\theta} \times M_r) 个平移 token
- (M_{\text{roll}} \times M_{\text{pitch}} \times M_{\text{yaw}}) 个旋转 token
- 2 个 gripper token（开/合）
最终形成总计 8194 个 token，并嵌入为可训练向量表示（Embedding）。
- 将动作 ((\Delta T, \Delta R, G)) → 转换为 token id → 输入作为训练目标
- 损失函数为标准的交叉熵：
[ \mathcal{L} = \mathbb{E}_{p(A_t|o_t)} [\text{CrossEntropy}(a_t, \tilde{a}_t)] ]
- 由模型输出 3 个 token：translation token、rotation token、gripper token
- 使用网格索引反推得到连续动作向量 ((x, y, z, \text{roll, pitch, yaw}, g))
| 模型 | Action Head类型 | 动作维度 | 每步Token数 | 是否空间建模 | 是否自适应分布 |
|---|---|---|---|---|---|
| RT-1 | 固定256-bin离散化 | 11 | 7+ | 否 | 否 |
| RT-2 | 固定256-bin离散化 + LLM输出 | 8 | 7 | 否 | 否 |
| OpenVLA | 固定Bin + LLM | 7 | 7 | 否 | 否 |
| SpatialVLA | Adaptive Action Grids + LLM | 7 | 3 | 是 | 是 |
- 空间感知增强：引入 Ego3D 坐标编码，对动作与观察均建立 3D 结构关联；
- 推理效率高：只需生成 3 个 token（相比传统 7 个 token）→ 推理速度提升至 20Hz；
- 跨机器人迁移强：通过后训练阶段的 re-discretization 支持低成本适配新机器人；
- 鲁棒性强：在各类视角、光照、背景变化任务中泛化能力显著优于其他模型。