#稠密视觉表征 (1)

Patch Policy：利用稠密视觉表征的高效具身控制

Patch Policy 提出一种轻量 Transformer 策略架构，直接消费冻结预训练 ViT 的稠密 patch 特征，避免全局池化带来的空间信息损失，也不需要亿级参数 VLM 的推理开销。其核心是 block-causal 注意力掩码：帧内 patch 全注意力，帧间严格因果，从而兼容 VQ-BeT、Diffusion Policy 等标准策略头。实验表明，在四个仿真和三个真实操作任务中，Patch Policy 相对全局特征策略平均提升 40%，并超越微调 OpenVLA-OFT 约 18%，同时参数量仅为后者的约 0.7%。