力觉 VLA

Force-aware Vision-Language-Action Model进阶

在视觉和语言之外，把力/力矩信号也当作输入的 VLA 模型。

力觉 VLA 指把六维力/力矩传感器（测三个方向的力和三个方向的力矩）等力信号，作为与图像、语言并列的输入模态的视觉-语言-动作模型。普通 VLA 只靠相机，而插插头、擦桌子、装配这类接触丰富任务里，是否接触到位、用了多大力往往看不出来，容易卡住或用力过猛。代表工作 ForceVLA（Yu 等，NeurIPS 2025）以 π0 为基础，用力感知混合专家模块（FVLMoE）在动作解码阶段融合力 token，五个接触任务上比 π0 基线平均高 23.2%，而把力直接拼到输入上只带来很小提升。2026 年 3 月的 ForceVLA2 又加入力位混合控制，据论文报告比 π0、π0.5 分别高 48% 和 35%。