设想一下刚学开车的情况：在训练场上，我们可能会反复练习特定动作：到了某个位置就踩刹车，拐到某个点就打方向盘。久而久之，这些动作会形成 "条件记 忆"，一旦环境发生变化，就容易手忙脚乱。最近，千寻智能的研究人员注意到，基于模仿学习的视觉运动策略中也存在类似现象，并在论文《Do You Need Proprioceptive States in Visuomotor Policies?》中对此进行了深入探讨。 论文链接：https://arxiv.org/abs/2509.18644 项目主页：https://statefreepolicy.github.io 文中研究人员提出了一种名为 State-free Policy 的策略，与 State-based Policy 相比，即便在训练数据中桌面高度、机器人位置和目标物体等都被严格固定的情况 下，机器人仍能展现出强大的空间泛化能力。例如： 在夹笔任务中，获得桌面高度的泛化能力（标准桌高为 80 cm）： 在叠衣服任务中，即使机械臂位置大幅偏离标准位置，机器人仍然能出色完成任务： 在全身机器人从冰箱拿饮料的过程中，即使冰箱位置发生移动，机器人也能够适应： 事实上 ...