論文原文鏈接

arXiv預(yù)印本頁面：https://arxiv.org/abs/2602.02142v2

arXiv全文PDF：https://arxiv.org/pdf/2602.02142v2

DBLP頁面：https://dblp.uni-trier.de/pid/00/9938.html（內(nèi)含更詳細(xì)的引用信息）

Semantic Scholar頁面：https://www.semanticscholar.org/paper/FD-VLA:-Force-Distilled-Vision-Language-Action-for-Zhao-Wang/84496e9c36fa5b863f5702abb1dbc5560ee7db5b

 

原文作者：公眾號(hào)“計(jì)算機(jī)頂會(huì)大全”

原文鏈接：https://mp.weixin.qq.com/s/SbiHonAq0qYEP-sC-sB-bA

 

 

ICRA 2026| FD-VLA: Force-Distilled Vision-Language-Action Model for Contact-Rich Manipulation

過去，VLA模型主要依賴視覺和語言來完成機(jī)器人操作，但在真實(shí)場(chǎng)景中，很多任務(wù)并不是看見就能做好。比如插頭插入、按鈕按壓、擦白板等接觸豐富任務(wù)，真正影響成功率的是接觸力、阻力變化、摩擦和細(xì)微形變。

這篇論文關(guān)注的正是VLA的力覺短板。論文提出FD-VLA，通過力蒸餾機(jī)制，讓模型在訓(xùn)練階段利用真實(shí)力信號(hào)學(xué)習(xí)潛在力表示；在推理階段，則不再依賴實(shí)體力傳感器，而是根據(jù)視覺觀察和機(jī)器人本體狀態(tài)預(yù)測(cè)力標(biāo)記，并與視覺語言信息共同生成動(dòng)作。這樣既保留了力覺對(duì)接觸操作的幫助，又降低了真實(shí)部署時(shí)對(duì)昂貴、脆弱傳感器的依賴。

創(chuàng)新點(diǎn)主要在于三方面：一是把力覺信息以蒸餾方式融入VLA，而不是簡(jiǎn)單拼接原始力信號(hào)；二是利用視覺和本體狀態(tài)預(yù)測(cè)接觸相關(guān)力表示，提升任務(wù)相關(guān)性和魯棒性；三是在真實(shí)機(jī)器人平臺(tái)上驗(yàn)證擦白板、按按鈕、插頭插入等典型接觸任務(wù)。實(shí)驗(yàn)表明，F(xiàn)D-VLA整體成功率明顯高于無力覺版本和直接輸入原始力信號(hào)的方法，說明可學(xué)習(xí)的力表示比粗暴使用傳感器數(shù)據(jù)更有效。

這篇論文的價(jià)值在于，它把VLA從看懂再行動(dòng)推進(jìn)到理解接觸再行動(dòng)。對(duì)具身智能研究來說，力覺蒸餾、觸覺增強(qiáng)、狀態(tài)建模和接觸豐富操作，正在成為VLA實(shí)用化落地的重要發(fā)文切口。

 

雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))