TL;DR

在机器人操作中，如果两个场景看起来一模一样，但你必须根据“刚才发生了什么”做出不同选择，机器人往往会“宕机”。这就是感知歧义（Perceptual Aliasing）难题。本文提出的 Chameleon 架构，借鉴人类情景记忆机制，通过几何锚定的感知和可微的存储栈，让机器人在“猜杯子”和“顺序烹饪”等复杂长时程任务中表现出了惊人的决策鲁棒性。

背景定位：跳出“语义压缩”的陷阱

目前的具身智能模型（如 VLA）在处理记忆时，通常走两条路：要么把历史压缩成一句话（如 RAG 风格），要么把所有图片堆进 Buffer。前者丢掉了空间细节，后者在面对相似场景时会发生检索干扰。

作者认为，真正的长时程智能应该是 Non-Markovian（非马尔可夫） 的。这意味着当前观察（Observation）不足以支撑决策，必须依靠内部状态。Chameleon 的出现，是具身智能存储机制从“简单缓存”向“逻辑神经科学”演进的重要一步。

痛点深挖：为什么你的机器人记不住？

想象一下“三仙归洞”（Shell Game）游戏：三个杯子完全相同。当你抓取时，当前的视觉信号无法告诉你球在哪。你需要记住的是杯子的移动路线。

• Prior Work 的局限：传统的相似度检索（Similarity-based Retrieval）会因为三个杯子长得太像而返回错误的记忆片段。
• Chameleon 的直觉：如果不预先在“写入记忆”时就加入空间约束，“读取记忆”时必然会混淆。

核心方法论：解构 Chameleon

1. 背侧/腹侧双流感知 (Dorsal & Ventral Streams)

Chameleon 模仿大脑视觉系统。**腹侧流（Ventral）**利用 DINO 提取“是什么”（颜色、外形）；**背侧流（Dorsal）**利用机械臂末端执行器（EE）作为坐标锚点。

通过对极几何约束 (Epipolar Constraints)，模型能强制前置摄像头和手部摄像头看到的 Token 在几何上保持一致，从而在感知阶段就减少了歧义。

2. 时空锚定存储栈 (Spatial-Temporal Memory Stack)

这是 Chameleon 的核心。它抛弃了显式的数据库检索，转而使用类似 Mamba 的 Selective SSM。

• 空间锚点（Spatial Anchors）：对视觉 Token 进行稀疏化处理，只记录关键热点。
• 时间锚点（Temporal Anchors）：为不同的存储槽位分配不同的“半衰期”，有的记短期波动，有的记长期目标。

3. HoloHead：用“想象力”补全记忆

为了防止记忆状态坍塌，作者引入了 HoloHead。它要求模型根据当前的记忆状态 ht，去预测未来的末端执行器轨迹。这在心理学上被称为模式补全（Pattern Completion）：即使当前视觉被遮挡，模型也能在脑中“画出”球的移动轨迹。

实验与结果：统治混淆场景

作者推出了 Camo-Dataset 挑战模型，包含情景回忆（洗盘子）、空间追踪（变相怪杰杯子戏）和顺序操作（加调料）。

• 核心战绩：在最难的调味任务（需要记住前两步加了什么）中，传统 Diffusion Policy 的 Decision Success Rate (DSR) 几乎跌至 0，而 Chameleon 依然保持在 72.2%。
• 消融实验：移除 HoloHead 后，决策成功率大幅下降，证明了“预测未来”对于维持稳定记忆至关重要。

深度洞察：模式分离的可视化

通过 UMAP 可视化发现，Chameleon 的决策状态 ht 能够将视觉极度相似但历史背景不同的状态清晰地拆分开（见下图）。这证明了模型确实实现了模式分离（Pattern Separation）。

总结与局限

Chameleon 成功地将生物学启发的存储回路与现代 SSM 架构结合，解决了具身智能中的感知歧义痛点。

• 优点：极高的决策可靠性，且具有实时部署的低延迟（82ms）。
• 局限：目前尚未集成 VLA 的大模型语义先验，对于更通用的、需要自然语言逻辑推理的任务，仍需进一步扩展。

未来展望：将这种“海马体”模块插拔式地集成到开源基础模型（如 LLaVA-Embodied）中，或许是实现通用机器人长期自治的最优解。

Senior Editor's Note: 这篇工作的精妙之处在于它不仅是工程上的堆叠，而是对机器人操纵中“隐状态”缺失这一本质问题的数学回应。它告诉我们，处理长时程任务，靠“堆 Buffer”是不够的，得靠“几何约束下的想象”。