ICRA 2026 | 新加坡國立大學提出FD-VLA：力蒸餾視覺語言動作模型，攻克接觸豐富操作

論文原文鏈接

arXiv預印本頁面：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（內含更詳細的引用信息）

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“計算機頂會大全”

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器人操作，但在真實場景中，很多任務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，真正影響成功率的是接觸力、阻力變化、摩擦和細微形變。

這篇論文關注的正是VLA的力覺短板。論文提出FD-VLA，通過力蒸餾機制，讓模型在訓練階段利用真實力信號學習潛在力表示；在推理階段，則不再依賴實體力傳感器，而是根據視覺觀察和機器人本體狀態預測力標記，并與視覺語言信息共同生成動作。這樣既保留了力覺對接觸操作的幫助，又降低了真實部署時對昂貴、脆弱傳感器的依賴。

創新點主要在于三方面：一是把力覺信息以蒸餾方式融入VLA，而不是簡單拼接原始力信號；二是利用視覺和本體狀態預測接觸相關力表示，提升任務相關性和魯棒性；三是在真實機器人平臺上驗證擦白板、按按鈕、插頭插入等典型接觸任務。實驗表明，FD-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的方法，說明可學習的力表示比粗暴使用傳感器數據更有效。

這篇論文的價值在于，它把VLA從看懂再行動推進到理解接觸再行動。對具身智能研究來說，力覺蒸餾、觸覺增強、狀態建模和接觸豐富操作，正在成為VLA實用化落地的重要發文切口。

 

雷峰網(公眾號：雷峰網)