[ICRA 2025/2026] FAVLA：力自适应快慢 VLA 模型，突破接触密集型机器人操作瓶颈

TL;DR

在机器人操作中，视觉决定“去哪里”，而力觉决定“怎么插”。本文提出的 FAVLA 是一种全新的 Vision-Language-Action (VLA) 架构。它通过将复杂的语义理解（慢系统）与灵敏的触觉反馈（快系统）解耦，并引入力自适应推理策略，成功解决了高精度组装任务中常见的反应迟钝和力突变问题。

背景定位

当前的 VLA 模型（如 OpenVLA, π0）在移动物体等语义任务上表现出色，但在涉及毫米级精度的工业操作（如齿轮咬合、USB 插入）时频频翻车。核心原因在于：物理接触是瞬态的。如果你以 10-15Hz 的采样率去处理 1000Hz 的力信号，当机器人感觉到“撞墙”时，由于动作块（Action Chunk）的开环执行，它早已经把零件顶坏了。

核心动机：为什么要分“快慢”？

作者观察到，人类操作物体时并非全程紧绷神经：

1. 慢速语义规划（Slow）：识别环境、对准目标，这部分信息变化慢，不需要极高频率。
2. 快速闭环补偿（Fast）：当零件接触的一刹那，肌肉会根据力觉反馈产生毫秒级的微调，这是纯视觉无法替代的。

FAVLA 的直觉是：不要强行把高频力信号降采样到视觉频率，而是让模型根据预测的交互剧烈程度，动态决定“反应有多快”。

架构详解：Force-Injected Fast–Slow VLA

FAVLA 将模型拆分为两个互补的部分：

1. Slow VLM Backbone：基于 PaliGemma 的大型后端，整合图像、语言指令和长周期力历史。它生成一个上下文缓存（KV Cache），并预测未来的力方差（Force Variance）。
2. Fast Action Expert (AE)：一个轻量化的 Transformer。它复用 VLM 的缓存，但每一步都通过 Force Adapter 注入实时力信号 $f_t^{\prime }$。

关键创新：力自适应推理

这是本文最精妙的设计。VLM 会输出一个预测值 $ilde{u}_t$（未来力波动的剧烈程度）。

• 自由空间运动：此时预测力方差小，AE 保持低频运行，节省算力。
• 接触/插入瞬间：预测方差激增，系统自动将 AE 的运行频率推向最高（$N_{max}$），实现高频闭环纠错。

实验战绩：高精度与轻柔操作

在 USB 插入、齿轮组装、翻转纸箱和擦白板等任务中，FAVLA 表现惊人：

• 成功率：在齿轮组装任务中达到了 93.3% 的成功率。
• 力控精度：相比 π0 基线，FAVLA 对力的控制更加“轻柔”。在齿轮组装中，峰值力从 12.0N 显著下降到 7.7N，有效避免了工业场景中的部件磨损或安全自停。

消融实验揭示：

• 单纯加力信号不够：如果只是把力数据拼成 Token 给 VLM，由于 Token 数量远少于图像，力信号会被“淹没”。
• 力适配器（Force Adapter）是核心：在 AE 的多层中反复注入力反馈，才能迫使模型在生成动作轨迹时，“听从”触觉的指挥。

深度洞察

FAVLA 的成功揭示了 VLA 领域的一个重要趋势：回归控制本质。在大模型语义横行的当下，本文通过快慢系统的引入，重新拾起了控制理论中对采样间隔和状态反馈的尊重。

局限性分析： 目前的力方差预测仍然依赖于离线数据预标注。在完全未见的极端场景下，如果 VLM 未能预测到即将发生的撞击，系统可能无法及时切换到高频模式。此外，如何将这种异步频率机制扩展到多臂协同（Bimanual）且负载极度不平衡的任务，仍值得探索。

总结

FAVLA 通过“力度预测引导的动态频率调整”，为机器人穿针引线般的精细操作找到了新路径。它不仅让 VLA 更有“脑子”，更让它有了灵敏的“手感”。