FocusVLA: Future-Intent Guided Dynamic View Routing for Vision-Language-Action Models

📄 arXiv: 2610.31423v1 📥 PDF

作者: Huixin Xu, Ziya Yu, Peng Li

分类: cs.RO, cs.AI

发布日期: 2026-10-22

备注: Accepted at CoRL 2026

💡 一句话要点

提出FocusVLA以解决VLA模型动态视图依赖不足问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱七：动作重定向 (Motion Retargeting) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 视觉-语言-动作 动态视图路由 意图预测 多视角信息 机器人操作

📋 核心要点

  1. 现有VLA模型在多视角信息利用上存在不足，导致操作阶段的适应性和鲁棒性受限。
  2. FocusVLA通过预测未来交互意图，动态调整视图路由，从而提高多视图的利用效率。
  3. 在RoboTwin 2.0上，FocusVLA的成功率显著提升，且可与现有框架兼容，具有良好的实用性。

📝 摘要（中文）

视觉-语言-动作（VLA）模型通过统一视觉感知、语言理解和动作生成，成为机器人操作的重要范式。然而，现有VLA模型未能充分利用多视角信息，导致在操作阶段缺乏动态调整的能力。为此，本文提出FocusVLA，一个阶段感知的多视图路由框架，通过预测未来交互意图来指导动态视图路由，从而提高多视图的利用率。在RoboTwin 2.0上，FocusVLA的平均成功率比最强基线提高了10.10个百分点，并在实际评估中将成功率从71.7%提升至85.0%。此外，FocusVLA的意图预测和动态路由模块可以无缝集成到现有VLA框架中。

🔬 方法详解

问题定义：本文旨在解决现有VLA模型在多视角信息利用上的不足，特别是在操作阶段对视图依赖的动态调整能力不足的问题。现有模型往往过于依赖单一视角，缺乏对全局和局部信息的协调利用。

核心思路：FocusVLA的核心思路是通过预测未来的交互意图，动态指导视图路由。这种设计使得模型能够根据不同操作阶段的需求，灵活调整所需的视角，从而提高整体的操作成功率。

技术框架：FocusVLA的整体架构包括意图预测模块和动态视图路由模块。意图预测模块基于历史动作数据，预测未来的交互意图；动态视图路由模块则根据预测的意图，选择最适合的视角进行操作。

关键创新：FocusVLA的主要创新在于其阶段感知的多视图路由机制，能够根据任务阶段的不同需求，动态调整视图选择。这一机制与传统模型的静态视图选择形成鲜明对比，显著提升了模型的适应性和鲁棒性。

关键设计：在设计中，FocusVLA采用了特定的损失函数来优化意图预测的准确性，并结合多视图输入的特征提取网络，以确保在不同操作阶段能够有效利用全局和局部信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，FocusVLA在RoboTwin 2.0上的平均成功率比最强基线$π_{0.5}$提高了10.10个百分点，实际评估中成功率从71.7%提升至85.0%，实现了13.3%的显著增益，展示了其卓越的性能。

🎯 应用场景

FocusVLA的研究成果在机器人操作、智能家居、自动化制造等领域具有广泛的应用潜力。通过提高机器人在复杂环境中的操作能力，FocusVLA能够显著提升人机协作的效率和安全性，推动智能机器人技术的进一步发展。

📄 摘要（原文）

Vision-language-action (VLA) models have become an important paradigm for robotic manipulation by unifying visual perception, language understanding, and action generation. Since reliable manipulation requires sufficient observation of objects, end-effectors, and their spatial relationships, multi-view inputs are widely used to provide complementary spatial information. However, our experiments show that existing VLA models do not fully exploit such multi-view complementarity. The policy tends to persistently rely on the wrist view, lacking the ability to dynamically adjust global-local view dependency across manipulation stages, which limits stage adaptability and robustness. To address this issue, we propose FocusVLA, a stage-aware multi-view routing framework. FocusVLA predicts future interaction intent from historical actions and uses it to guide dynamic view routing during action generation. By adaptively coordinating global and local observations across different task stages, FocusVLA improves multi-view utilization. On RoboTwin 2.0, FocusVLA improves the average success rate over the strongest baseline $π_{0.5}$ by 10.10 pp. In real-world evaluation, FocusVLA improves the success rate from 71.7\% to 85.0\%, achieving a 13.3\% gain over $π_{0.5}$. Moreover, the intent prediction and dynamic routing modules of FocusVLA can be integrated into existing VLA frameworks without modifying their core architectures.