机器人真正困难的从来不只是“看清眼前”而是“记住刚刚发生过什么”。在许多长时序操作里当前画面可能一模一样但正确动作却完全不同有时该继续抓取有时该返回有时该按下按钮有时必须记住刚才被遮住的颜色位置。然而即使是强大的视觉-语言-动作模型如果只依赖当前观测仍然会在这种场景里迷路。原文链接看完Chronos后这个0.3B的小模型居然超过π0.5六倍近日华中科技大学提出的Chronos 给出了一个直接而锋利的答案历史不是辅助上下文而应该成为机器人策略动力学的潜在状态。通过全历史状态空间建模、IMLE 多模态动作先验与二阶 Schrödinger-inspired 动作桥Chronos 这个0.3B的小模型在 16 个仿真任务和 4 个真实双臂实验中展现出惊人表现。在 RMBench 记忆依赖基准上Chronos 达到 73.6% 平均成功率相比强 Markovian VLA 基线 pi0.5 提升 62.4 个百分点成功率约为其 6.6 倍同时参数量仅为其10%相比强记忆力 VLA基线 Mem-0也高出 22.8 个百分点同时参数量仅为其3%在四个真实世界双臂实验中Chronos 仅用单个 RGB 相机实现 78% 平均成功率其中在三个记忆依赖任务上达到 72%而 pi0.5 在这些任务上为 0%。**论文标题**Chronos: A Physics-Informed Full-History Framework for Non-Markovian Long-Horizon Manipulation**论文**https://arxiv.org/abs/2606.30318**主页**https://chronos-manipulation.github.io/**代码**https://github.com/yulinzhouZYL/Chronos一、机器人不会做长任务是因为“不聪明”还是因为“记不住”过去一年机器人基础模型发展很快。VLA、WAM、大规模动作生成模型不断刷新人们对通用机器人的想象机器人似乎已经可以听懂语言、识别物体、规划动作并在越来越多任务中表现出接近“智能体”的行为。但当任务从“抓起一个物体”走向“完成一串步骤”时问题立刻变得尖锐。真实操作不是单帧图片分类也不是一步到位的动作回归。整理桌面、交换物体、遮挡后按顺序取回目标、先按按钮再回到中间状态——这些任务都要求机器人记住自己刚刚做过什么、见过什么、现在处在哪个阶段。最致命的是很多失败并不是因为机器人看不见而是因为它“看见了同一幅画面却不知道这幅画面背后对应哪段历史”。同一个视觉状态在不同阶段可能要求完全不同的动作。人类做这类任务时会自然利用记忆而许多机器人策略仍然习惯走一条捷径只看当前观测最多再加一个短窗口然后假设当前画面已经足够决定下一步。Chronos 针对的正是这个长期被低估却极其关键的问题长时序操作中的非马尔可夫性。机器人要真正进入复杂现实世界必须不只是“会看”还要“会记”。二、Markovian Shortcut强大 VLA 也会踩中的盲点当前很多机器人策略本质上仍然依赖一种 Markovian shortcut把当前观测或短窗口观测当成足够信息直接生成动作。这个假设在短任务、可见任务、单步抓取任务中往往有效因此容易被模型规模和数据规模掩盖。问题在于现实长时序任务并不总是把答案写在当前图像上。比如一个方块已经被盖住机器人之后看到的只是盖子一个按钮被按过三次画面未必告诉你现在是第几次一个中间阶段完成后场景可能回到与初始相似的位置但下一步动作却不再相同。此时如果策略没有稳定保存历史就会出现看似“莫名其妙”的失败提前按终止按钮、跳过中间步骤、在原地犹豫、重复同一个动作。这并不是说大模型没有价值。恰恰相反大模型在语义理解、视觉泛化和开放词表任务上已经展现出很强能力。但 Chronos 指出的关键是模型再大如果策略状态没有真正承载有效历史状态它仍然可能在非马尔可夫任务里迷路。长时序操作需要的不只是更大的参数量而是更正确的状态建模方式。三、Chronos 的核心判断历史不是上下文而是状态Chronos 在长时序方面最核心的思想可以用一句话概括把 observation history 从辅助上下文上升到 policy dynamics 的 latent state。这句话听起来简洁但背后是一种非常重要的建模转向。传统做法常把历史当成额外输入把过去几帧拼起来或者把历史观测直接用一个上下文窗口保存。这样做的问题是历史仍然是附属信息模型并没有被迫把它组织成一个随时间演化的状态。Chronos 则把物理时间本身作为序列轴。在每个控制步它将视觉/点云观测与机器人本体状态融合成一个 state-representative token使 token 序列与真实控制时间一一对应。随后选择性状态空间模型沿时间轴传播历史状态让策略在每一步都携带完整的因果历史。这也是 Chronos 与很多“加记忆模块”方法的差异它不是给当前观测附加一段历史提示而是让历史成为策略动力学本身的状态变量。对于机器人长时序操作这种设计直击问题本质——如果正确动作依赖过去那么过去就不应该只是背景信息而应该成为决策状态。可视化结果清晰地展示了Chronos对历史状态的有效建模在不同历史阶段哪怕遇到和之前一样的观测模型也能正确识别自己在哪个阶段不会像传统马尔可夫VLA一样遇到混淆造成跳过步骤或者原地发呆等现象。四、动作生成也要“懂物理”从直接生成动作到二阶动作桥机器人策略不仅要想对还要动得稳。许多生成式模仿学习方法直接借鉴图像生成中的扩散模型或流匹配模型把动作当作需要去噪或运输的样本。但机器人动作不是静态图片它天然具有时间连续性、速度变化和动力学结构。Chronos提出了一种受物理学原理启发的、替代diffusion和flow matching的二阶动作生成新范式更符合机器人运动的物理规律。具体而言Chronos 在动作生成上引入了两级设计。第一步通过 IMLE 生成一个多模态 coarse action prior。真实操作中同一个状态下可能存在多种合理动作路径从左边绕、从右边绕、先调整姿态、再进入接触。IMLE 的优势在于它可以保留这种多峰分布而不是把所有可能动作平均成一条模糊轨迹。第二步Chronos 使用二阶 Schrödinger-inspired action bridge 对粗动作先验进行精修。简单理解它不是像diffusion一样直接去噪得到机器人动作容易抖动而是学习一个 acceleration field让动作变化经过二阶动力学结构传递从而生成更平滑、更稳定、更符合机器人运动规律的轨迹。这使 Chronos 不只是一个“会记忆”的策略也是一套更适合机器人运动生成的框架。在精密插入和双臂操作中这种差异尤其明显动作不能抖接触不能乱轨迹不能只在视觉上合理还必须在控制上可执行。五、最硬的结果小模型在记忆任务上断崖式领先Chronos 的实验结果之所以有冲击力不只是因为它“有提升”而是因为提升幅度和参数效率同时非常突出。在 RMBench 记忆依赖操作benchmark上Chronos 达到 73.6% 平均成功率。相比强 Markovian VLA 基线 pi0.5Chronos 高出 62.4 个百分点成功率约为其 6.6 倍同时参数量少 10 倍。相比当前记忆增强 VLA Mem-0Chronos 仍然高出 22.8 个百分点并且参数量少 30 倍以上。这组数字传递了一个很强的信号在记忆依赖任务上真正关键的不一定是把模型继续做大而是让策略以正确方式保存和使用历史。Chronos 不是用更大规模“硬压”对手而是用更贴近问题本质的结构取得优势。在精密双臂插入任务中Chronos 的二阶动作桥也显示出价值。相比 diffusion action head完整 Chronos 能产生更平滑、更稳定的动作在需要精细配合和接触控制的场景中优势更明显。换句话说Chronos 同时解决了两个问题长任务中记得住精细动作中动得稳。六、真实世界机器人不仅要会做还要知道“现在该做第几步”仿真结果很强但机器人最终必须回到真实世界。Chronos 在真实双臂平台上进行了 4 个任务验证只使用单个 RGB 相机作为视觉输入平均成功率达到 78%。在 3 个记忆依赖任务上Chronos 成功率达到 72%而 pi0.5 总体只有 7%在记忆依赖子集上为 0%。这些真实任务不是单纯“抓起来放下去”的短动作而是包含阶段切换、顺序记忆和隐藏信息的长时序操作。例如在一个任务中pi0.5 会跳过中间抓取与返回阶段直接按下结束按钮而 Chronos 能完整执行任务序列。在另一个 memory-dependent extension 中场景视觉上与先前阶段相似但正确动作已经变化pi0.5 再次提前结束Chronos 则能保留任务阶段并完成后续动作。最直观的例子是 Cover Blocks。机器人一开始能看到不同颜色方块的位置随后这些方块被盖住。之后无论初始方块如何排列机器人都必须按照红、绿、黄的顺序依次揭开盖子。此时当前观测只剩盖子颜色信息已经隐藏。pi0.5 会出现单帧观测混淆在原地犹豫或乱动Chronos 则能记住隐藏的颜色位置按照正确顺序完成任务。这类实验的意义很直接Chronos 不是只在表格里好看而是在真实机器人上展示了“记忆”如何转化为可执行的操作能力。七、Chronos 真正改变了什么过去几年机器人学习的主旋律是“大”更大的视觉编码器、更大的语言模型、更大的动作模型、更大的数据集。Chronos 并不否认规模的重要性但它提出了另一条同样关键的路线结构也很重要尤其是在历史依赖任务中。如果任务本身是非马尔可夫的那么策略就不能假装当前观测已经包含全部信息如果机器人动作天然是二阶运动那么动作生成也不应只停留在图像生成式地一阶去噪或速度场预测而是要符合物理学规律。Chronos 把这两个判断统一到同一个框架里用全历史状态建模解决“记不住”的问题用二阶动作桥解决“动作抖、不精确”的问题。这让 Chronos 的意义超出了单个 benchmark 的胜负。它提醒我们通用机器人不只是一个更大的 VLA也不只是一个更长的视频预测模型。真正能在现实中完成长时序操作的机器人需要拥有随时间演化的内部状态需要把过去发生的事情组织成可用于行动的记忆。当然Chronos 不是终点。更复杂的真实环境、更长时间尺度、更多样的物体与语言指令更强的位置泛化能力仍然需要进一步探索。但这项工作已经清晰展示了一个方向当机器人学会把历史当作状态它对长时序任务的理解会发生质变。在未来或许这种结构可以作为大规模机器人模型的小脑与动作生成专家。写在最后机器人真正走向现实世界需要的不只是更大的模型而是更像“行动者”的策略。行动者不会每一秒都从零开始看世界它会记得刚才发生过什么知道自己走到了哪一步也能根据隐藏信息继续完成后续动作。Chronos 的名字来自时间。它要解决的正是机器人操作中最容易被忽视、却最难绕开的东西时间、历史与记忆。从“只看眼前”到“记住过去”从“直接生成动作”到“二阶动力学精修”Chronos 为长时序机器人模仿学习给出了一个简洁而有力的答案。小模型也可以很强前提是它真正抓住了问题的结构。重磅全网首个具身智能开源知识库来啦技术/产业/投融资/上下游推荐阅读真机强化入门的一套完整教程pi*0.6复现方案我们用低成本的机械臂完成pi0/pi0.5/GR00T/世界模型等VLA任务具身智能的WAM与世界模型一份完整指南一览具身智能的行业全局从产品经理的角度出发VLARL方向首个系统教程来啦Online RL/Offline RL/test time RL等好用高性价比面向具身科研领域打造的轻量级机械臂VLA/VLA触觉/VLARL/具身世界模型等具身大脑小脑算法与实战全栈路线来啦~从零训练你的足式机器人让你的足式机器人真正动起来~1v1 科研论文辅导来啦重磅具身智能之心论文辅导来啦近20方向顶会/顶刊/SCI/EI/中文核心/申博等
