FlowVLA: Learning Flow-Aware Physical Completion for Quantitative Robotic Pouring
作者: Liwen Yang, Yutian Zhang, Jiaqi Zhai, Li Yang, Tutian Tang, Qiwei Shan, Yancheng Bi, Qiankuan Shangguan, Yangkun Zhu, Ce Hao, Dong Wei, Qiaojun Yu, Dibo Hou
分类: cs.RO
发布日期: 2026-10-21
备注: 9 pages, 6 figures
💡 一句话要点
提出FlowVLA以解决机器人倒液过程中的质量估计问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 机器人倒液 视觉-语言-动作 质量估计 多模态融合 边界感知监督
📋 核心要点
- 现有的视觉-语言-动作策略在倒液过程中面临返回决策模糊的问题，难以准确估计转移的质量。
- FlowVLA通过分离运动生成与物理完成估计，利用边界感知监督和多种传感器数据融合来提高质量估计的准确性。
- 实验结果表明，FlowVLA在咖啡壶/水实验中实现了13.1克的平均绝对误差，显著优于现有基线方法，且具有良好的泛化能力。
📝 摘要（中文）
在稳定倒液过程中，图像和机器人姿态可能几乎保持不变，而转移的质量不断累积，这使得整个任务的视觉-语言-动作（VLA）策略的返回决策变得模糊。本文提出FlowVLA，分离了运动生成与物理完成估计。一个共享的$π_{0.5}$动作专家在边界感知监督下学习接近、倒液和返回。目标无关的估计器融合了视觉、关节、手腕扭矩和递归力信念历史，以维持转移质量的估计。当该估计值加上预测的残余流出达到请求质量时，控制器启动返回。在咖啡壶/水实验中，FlowVLA实现了13.1克的目标平衡平均绝对误差（MacroMAE），低于所有测试的VLA基线。在所有尝试中，53.7%的任务完成率在请求质量的±10%范围内。相同模型在不重新训练的情况下对150/250克目标进行插值。独立训练的模型进一步在三个额外的容器-流体设置中评估了该方法。
🔬 方法详解
问题定义：本文旨在解决在机器人倒液过程中，如何准确估计转移的液体质量的问题。现有方法在面对图像和机器人姿态几乎不变的情况下，难以做出有效的返回决策，导致任务完成率低。
核心思路：FlowVLA通过将运动生成与物理完成估计分离，设计了一个共享的动作专家和一个目标无关的质量估计器。这样的设计使得系统能够在复杂的倒液任务中更准确地估计转移质量，从而提高任务的成功率。
技术框架：整体架构包括一个共享的$π_{0.5}$动作专家和一个目标无关的质量估计器。动作专家负责学习接近、倒液和返回的策略，而质量估计器则融合了视觉信息、关节状态、手腕扭矩和递归力信念历史，以维持对转移质量的实时估计。
关键创新：最重要的创新在于分离了运动生成与物理完成估计，使得系统能够在复杂的动态环境中更灵活地应对质量估计的挑战。这一设计与现有方法的本质区别在于其对多模态信息的有效融合。
关键设计：在模型设计中，采用了边界感知监督来指导动作专家的学习，同时在质量估计器中引入了递归神经网络，以更好地处理时间序列数据。损失函数的设计也考虑了目标质量的平衡，确保了模型在不同任务中的泛化能力。
🖼️ 关键图片
📊 实验亮点
实验结果显示，FlowVLA在咖啡壶/水实验中实现了13.1克的目标平衡平均绝对误差（MacroMAE），显著低于所有测试的VLA基线。此外，53.7%的任务在请求质量的±10%范围内成功完成，展示了其优越的性能和良好的泛化能力。
🎯 应用场景
该研究的潜在应用领域包括智能厨房、自动化饮料分配和机器人服务等场景。通过提高机器人在倒液任务中的表现，FlowVLA能够显著提升用户体验和操作效率，未来可能在家庭和工业自动化中发挥重要作用。
📄 摘要（原文）
During steady pouring, images and robot pose may remain nearly unchanged while transferred mass accumulates, making the return decision ambiguous for a whole-task vision-language-action (VLA) policy. We present FlowVLA, which separates motor generation from physical-completion estimation. A shared $π_{0.5}$ action expert learns approach, pour, and return with boundary-aware supervision. A target-independent estimator fuses visual, joint, wrist-wrench, and recurrent force-belief histories to maintain an estimate of transferred mass. The controller initiates return when this estimate plus predicted residual outflow reaches the requested mass. In coffee-pot/water experiments, FlowVLA achieves 13.1 g goal-balanced mean absolute error (MacroMAE), lower than all tested VLA baselines. Across all attempts, 53.7% both complete the task and finish within +/-10% of the requested mass. The same model interpolates to held-out 150/250-g targets without retraining. Independently trained models further evaluate the formulation in three additional container-fluid settings.