MedVLA: A Hierarchical Vision-Language-Action Framework for Closed-Loop Precision Medical Robot Manipulation

📄 arXiv: 2609.25756v1 📥 PDF

作者: Junjie Xie, Chuxuan He, Angen Ye, Yujia Song, Dapeng Zhang

分类: cs.RO

发布日期: 2026-09-22

💡 一句话要点

提出MedVLA框架以解决精密医疗机器人操作中的决策问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 精密医疗机器人 视觉-语言-动作 多模态推理 闭环操作 功能约束执行 结构化训练 技能导向

📋 核心要点

  1. 现有的视觉-语言-动作模型在精密医疗任务中表现不足，特别是在连续动作生成和闭环操作方面。
  2. 本文提出的MedVLA框架结合了高层次的多模态推理与低层次的功能约束执行，旨在提高医疗机器人操作的精确性和安全性。
  3. 实验结果显示，MedVLA在100次闭环试验中实现了95.0%的成功率，显著优于其他基线模型，验证了其有效性。

📝 摘要（中文）

精密医疗机器人需要在严格的安全性、可解释性和执行约束下进行自适应决策。尽管近期的视觉-语言-动作（VLA）模型展现了强大的多模态推理能力，但其连续动作生成范式并不适合精密医疗任务。为了解决这一问题，本文提出了MedVLA，一个将高层次多模态推理与低层次功能约束执行相结合的分层框架。我们还引入了一个可扩展的多智能体管道，以生成面向技能的思维链（CoT）数据进行结构化训练。基于不同的多模态大模型骨干，MedVLA在微调后持续提高性能，展示了该框架在模型变体中的有效性。在相同初始条件下，我们进行了100次闭环柔性电极植入试验，结果显示MedVLA实现了95.0%的任务成功率，显著优于OpenVLA（8%）和$π_0$（15%）等基线模型，表现出更高的准确性、稳定性和安全性。这些结果表明，结构化推理与功能级约束执行的结合是可部署精密医疗机器人实践的有效途径。

🔬 方法详解

问题定义：本文旨在解决精密医疗机器人在执行任务时的决策能力不足，现有的VLA模型在连续动作生成和闭环操作中存在局限性，无法满足医疗领域对安全性和可靠性的高要求。

核心思路：MedVLA框架通过将高层次的多模态推理与低层次的功能约束执行相结合，提供了一种新的解决方案。这种设计使得机器人在执行复杂医疗任务时能够进行更为灵活和安全的决策。

技术框架：MedVLA的整体架构包括多个模块：高层次的多模态推理模块负责理解任务和环境信息，低层次的功能执行模块则确保操作的安全性和准确性。此外，系统还引入了多智能体管道以生成结构化的思维链数据，支持模型的训练。

关键创新：MedVLA的主要创新在于其分层结构的设计，能够有效地将多模态推理与功能约束执行结合。这一设计与传统的VLA模型相比，能够更好地适应医疗领域的特殊需求。

关键设计：在模型设计中，采用了多模态大模型作为骨干，并通过特定的损失函数和参数设置来优化推理和执行的协调性。具体的技术细节包括对功能约束的明确设定，以确保机器人在执行任务时的安全性和稳定性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在100次闭环柔性电极植入试验中，MedVLA实现了95.0%的任务成功率，显著高于OpenVLA的8%和$π_0$的15%。这一结果不仅展示了MedVLA在准确性和稳定性方面的优势，也表明其在安全性上的显著提升。

🎯 应用场景

MedVLA框架具有广泛的应用潜力，特别是在精密医疗机器人领域，如手术机器人、康复机器人等。其高效的决策能力和安全性使其能够在复杂的医疗环境中执行精细操作，未来可能推动医疗机器人技术的进一步发展与普及。

📄 摘要（原文）

Precision medical robotics demands adaptive decision-making under strict safety, interpretability, and execution constraints. Although recent Vision-Language-Action (VLA) models show strong multimodal reasoning ability, their continuous action generation paradigm is not well suited for precision medical tasks, where reliable closed-loop operation may also depend on non-action system function calls. To address this gap, we propose MedVLA, a hierarchical framework that couples high-level multimodal reasoning with low-level function-constrained execution. We further introduce a scalable multi-agent pipeline to generate skill-oriented chain-of-thought(CoT) data for structured training. Built on different multimodal large-model backbones, MedVLA consistently improves performance after fine-tuning, demonstrating the effectiveness of the proposed framework across model variants. Under identical initial conditions, we perform 100 closed-loop flexible electrode implantation trials. The results show that MedVLA achieves a 95.0\% task success rate, substantially outperforming representative VLA baselines, including OpenVLA (8\%) and $π_0$ (15\%), in accuracy, stability, and safety. These results indicate that structured reasoning with constrained function-level execution is a practical route toward deployable precision medical robotics.