FocusVLA：用未来意图引导动态视角路由的VLA模型

FocusVLA 用未来意图预测引导多视角动态路由，提升操作成功率。

资讯摘要

论文提出 FocusVLA，一种阶段感知的多视角路由框架，用于视觉-语言-动作（VLA）模型。作者指出，现有 VLA 模型在多视角输入下倾向持续依赖腕部视角，难以按操作阶段动态调整全局与局部视角的依赖。FocusVLA 从历史动作预测未来交互意图，并据此在动作生成过程中动态路由视角。作者报告在 RoboTwin 2.0 上平均成功率较最强基线 π_(0.5) 提升 10.10 个百分点，真实环境成功率从 71.7% 升至 85.0%；其意图预测与动态路由模块可在不改动核心架构的情况下接入现有 VLA 框架。

要点速读

1. 作者观察到现有 VLA 模型未充分利用多视角互补信息，倾向持续依赖腕部视角。
2. FocusVLA 由历史动作预测未来交互意图，并以此引导动作生成中的动态视角路由。
3. 作者报告 RoboTwin 2.0 上平均成功率较 π_(0.5) 提升 10.10 个百分点，真实环境成功率由 71.7% 升至 85.0%。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。