FR-VLA：面向富接触操作的隐式力推理 VLA

基于摘要分析。FR-VLA 研究机器人富接触操作中，Vision-Language-Action（VLA）模型应在何时、以多大强度利用力反馈，而不只是将力与力矩测量作为额外模态输入。其核心贡献是利用视觉—语言上下文判断物理反馈对当前任务的相关性，再据此调制进入动作生成路径的力信息。 机制上，作者提出 Vision-Language Force-Reasoning Model，通过可学习的 force query tokens 产生 force admission signal（力信息准入信号），以调制外部 token 化力信息通路。相较于摘要所述的固定力反馈注入方式，该方法将上下文相关的力信息准入作为中间决策环节；具体调制运算、监督方式、损失函数及训练流程尚未验证。 作者报告，在两个机器人平台的五项真实世界富接触任务中，FR-VLA 在六个评估阶段上的平均成功率最高；摘要未提供具体成功率、比较方法或各阶段定义。作者还报告，轨迹可视化显示力信息准入随交互阶段变化，但这一观察尚不足以单独确认准入机制对性能提升的因果贡献。实验协议、消融及统计信息尚未验证。 本文的主要研究对象是机器人接触操作，而非 EEG 解码或 BCI。摘要未提供神经信号实验，其跨领域适用性仍待评估；已有 EEG 相关工作尚未检索确认。复现需进一步核对力传感输入与 token 化方式、任务阶段划分、基线配置以及代码和数据的可用性。