ForceVLA：利用力感知 MoE 增强 VLA 模型以实现富接触操作

视觉-语言-动作（VLA）模型通过利用预训练的视觉与语言表征，推进了通用机器人操作。然而，它们在需要涉及力的细粒度控制的富接触任务中表现挣扎，尤其是在视觉遮挡或动态不确定性下。为解决这些局限性，我们提出 ForceVLA，一个将外部力传感作为 VLA 系统中一等模态的新型端到端操作框架。ForceVLA 引入了 FVLMoE，一个力感知的混合专家融合模块，它在动作解码期间将预训练的视觉-语言嵌入与实时 6 轴力反馈动态集成。这实现了跨特定模态专家的上下文感知路由，增强了机器人适应细微接触动态的能力。我们还引入了 \textbf{ForceVLA-Data}，一个新数据集，包含跨越五个富接触操作任务的同步视觉、本体感受和力矩信号。ForceVLA 相比强大的基于 pi_0 的基线将平均任务成功率提高了 23.2%，在插头插入等任务中实现了高达 80% 的成功率。我们的方法突出了多模态集成对于灵巧操作的重要性，并为物理智能机器人控制设定了新基准。代码和数据将发布于 https://sites.google.com/view/forcevla2025。