---
title: "JEPA for Robotics"
created: 2026-06-24
updated: 2026-06-24
type: concept
tags: ["jepa", "robot-learning", "world-model", "embodied-ai"]
sources:
  - "[[vla-jepa-2026]]"
---

# JEPA for Robotics

JEPA for Robotics 是将 Joint-Embedding Predictive Architecture 应用于机器人学习和 VLA 策略的范式。VLA-JEPA 是该方向的代表性工作。

## 为什么 JEPA 适合 Robotics

### 像素预测的问题
机器人视觉中的像素变化主要由外观因素驱动（光照、纹理、相机位置），而非动作相关的状态转移。像素预测目标容易被这些因素主导。

### JEPA 的优势
1. **Latent space prediction**：天然过滤像素噪声，关注语义动态
2. **Leakage-free design**：未来仅作 target，消除捷径学习
3. **对相机鲁棒**：latent 表示对相机运动和背景变化不敏感

## 从 [[jepa|通用 JEPA]] 到 Embodied JEPA

| 维度 | 通用 JEPA | Embodied JEPA |
|------|----------|---------------|
| 输入 | 视频帧 | 多视角机器人视频 |
| 预测目标 | 未来表示 | 世界状态转移 |
| 下游 | 动作识别 | 动作策略生成 |
| 微调 | 分类/检测 | Action Head (Flow-Matching) |

## 可扩展性

VLA-JEPA 的作者认为该范式高度可扩展——可通过自然融入更多机器人数据和文本推理数据进一步泛化。

## 参考
- [[vla-jepa-2026]]
- [[jepa]]
- [[vla-vision-language-action]]
- [[latent-world-model]]
- [[world-model-lecun]]