阅读时间大约9分钟（3466字）

2026-10-16 VLA 知道怎么做，为什么还是对不准？从误差来源到精密操作

来源：豆包

作者：毛不毛出品：具身智能前沿导读VLA能识别物体、理解任务并生成动作，精密操作却还要处理位置、姿态、时间与接触误差。本文用...

作者：毛不毛出品：具身智能前沿

导读

VLA 能识别物体、理解任务并生成动作，精密操作却还要处理位置、姿态、时间与接触误差。本文用插入任务串起感知、坐标、动作和控制，解释不同办法分别改善哪一环，再结合 VLA-Precision 的实机研究，区分任务容差、测量误差与成功率，建立判断机器人操作精度的完整思路。

先问任务允许偏多少，再问机器人有多准

设想让机器人把插头插进插孔。它已经找对插头、选对方向，也把手移到了插孔附近，最后却卡在孔边。对理解任务来说，它已经完成了不少工作；对插入来说，最后一点位置或角度偏差就足以让前面的努力失效。

视觉语言动作模型（VLA）根据图像、语言指令和机器人状态生成动作。它能学会操作规律，但动作还要经过具体接口和控制器，最终落实为机械运动。操作精度来自这条完整链路。

讨论之前，先分开三件事。

任务容差是允许偏多少。插头相对孔口允许多大的横向位移和倾角，决定了对齐要求有多高；接触力等条件还会影响操作能否完成。同样一毫米，对宽口容器和紧配合插孔，后果可能完全不同。

定位准确度与重复定位精度描述机器人到达位置的表现。前者关心实际位置与目标相差多远；后者关心重复执行时，落点聚得有多紧。每次都停在孔口右侧同一个位置，可以很稳定，却始终插不进去。

中间的落点集中但偏离靶心，右侧则集中在靶心附近；重复性与准确度需要分别观察。

｜来源：罗马第一大学 Robotics 1 课程讲义，第 3 页

任务成功率统计完成了多少次。机器人可能先碰到孔边，再通过局部调整完成插入。成功说明整套过程有效，却没有单独告诉我们第一次对准偏了多少。

所以，“毫米级操作”需要进一步说明：这是任务允许的偏差，还是测出来的误差？测的是工具尖端、物体，还是机械臂末端？是否包含了接触后的调整？这些条件决定数字能说明什么。

从看见插孔到移动插头，误差经过了哪些地方

先从相机看见的东西说起。若采用显式几何定位，系统需要从孔口图像估计它在空间中的位置和朝向。遮挡、模糊或估计偏差，会让后续动作从一个有误差的目标开始。

接着要让目标与机器人处在可比较的坐标系里。相机标定描述成像关系；手眼标定确定相机与机器人之间的位置和朝向；工具标定则确定工具参考点相对机械臂末端的位置。这个参考点通常简称 TCP，可以选在夹爪中心或工具尖端。

坐标变换有误时，系统可能稳定地把孔口映射到错误位置。机器人自身的运动学模型也要与实机匹配：UR 官方机器人驱动文档提醒，应提取对应机器人的出厂标定参数供运动学模型使用，否则末端位置可能出现厘米量级偏差。这里的模型描述关节与末端位置之间的关系，与 VLA 的神经网络参数是两回事。

端到端 VLA 未必显式算出孔口的三维坐标。它可以从图像直接预测关节目标或末端动作，把一部分对应关系学进参数。但输入相机、机器人状态、动作单位和执行接口仍有具体约定，部署时同样需要核对。

最后是目标怎样变成运动。动作可能表达关节角度，也可能表达末端位姿或位移；控制器再驱动电机去跟踪它。跟踪中的偏差、负载造成的形变，以及工具和被夹物之间的位置变化，都可能改变插头最终到达的位置。

这几类误差会相互影响，不能把不同坐标系中的误差数字直接相加。排查时应让它们各自有可观察的参照：目标估计对不对、坐标转换对不对、实际运动有没有跟上指令。

闭环能纠偏，前提是反馈看得见、来得及

回到插头：如果机器人只看一次图，就把整段动作执行到底，偏差在途中出现后，策略可能一直没有机会调整。

视觉伺服提供了一个经典思路：用持续获得的视觉信息形成误差，再让控制器据此调整运动。图像式方法直接比较图像特征与目标特征；基于位姿的方法先估计三维位置和朝向，再计算偏差。两种方法都需要可靠的观测与相应控制条件。

学习策略也可以依据新图像修正动作，控制器内部还可能持续读取关节或力的反馈。“有闭环”需要说明闭的是哪一层。电机把关节角跟踪得很好，仍可能是在准确执行一个已经过时的插入目标。

时间因此也会变成位置问题。用示意数字说明：若目标相对工具以每秒 20 毫米匀速移动，100 毫秒内相对位置就会变化 2 毫米。系统若仍按旧位置行动，就要面对这段变化。因此，反馈是否及时，要看采图、推理、通信到执行的完整时间。

VLA 常用动作分块，一次预测未来一段动作。这里需要分开：预测了多长、实际执行多少步、多久把新观测纳入决策。预测一长段，并不要求全部执行完才重新观察。

动作分块是一种通用的动作组织方式，ACT 则是采用这种方式的具体策略模型架构与模仿学习方法，全称为 Action Chunking with Transformers。它根据相机图像和关节状态，用 Transformer 预测一段未来动作，再用示教数据训练。因此可以训练出具体的 ACT 模型，但采用动作分块的 VLA 不一定采用 ACT。

实时动作分块方法 RTC 关注的是执行衔接：执行当前动作段的同时，怎样生成下一段动作？旧动作可能准备从障碍物上方绕行，新动作却选择下方，直接切换或平均可能生成不合适的中间动作。RTC 会约束新动作段与即将执行的动作保持一致，同时利用新观测更新后面的部分。

因此，缩短执行段需要同时考虑推理是否跟得上、段间是否连续。反馈更频繁有价值，抖动和停顿也会影响接触过程。

VLA-Precision 是一项针对 VLA 实机后训练的研究，其中一个实验使用经过任务示教微调的 π0.5 模型，在三项精密插入任务上比较执行长度。动作采用逐步相对位移表示：每一步的目标由前面的位移累加得到，预测误差也可能随之累积。

在这组实验中，每段执行长度从 3 步增加到 6 步，平均自主成功率从 58.3% 降到 6.7%。这说明该动作表示和任务设置对执行长度敏感，不能推成所有模型都应执行 3 步；后面介绍的在线训练结果，也属于另一组实验。

左上比较执行长度与成功率；右上比较动作预测与示教之间的相对误差变化，未测量末端毫米误差。

｜来源：VLA-Precision 论文 v3，Figure 11

碰到孔边之后，还需要处理力与接触

视觉能帮助接近孔口，插入过程还涉及接触。插头顶住孔边后，继续沿原方向推进可能增加受力，位置目标本身未必能告诉系统该如何调整。

力与触觉反馈提供另一类信息：是否碰到东西、接触发生在哪里、有没有滑动，以及受力怎样变化。系统要把这些信息接到决策或控制里，才有机会据此修正。

经典控制中，混合运动—力控制在不同方向上分别安排运动和力的目标。例如沿接触表面移动，同时控制压向表面的力。阻抗控制则设定位置、速度偏差与响应力之间的关系，让机器人在接触时表现出一定的柔顺性。接触后的受力需要控制，靠近目标的位置也仍要可靠。

VLA-Precision 的部署也包含这一层：论文在 UR5e 和 Franka 上都配置了阻抗控制，分别通过机器人支持的力或关节力矩接口落实。策略更新带来的收益，是在这些机器人、传感器和控制条件上得到的。

对插入任务，可以据此理解分工：视觉与状态估计帮助接近目标，策略决定下一段动作，接触反馈与控制器处理局部受力。具体系统可以把这些职责组织在不同模块里，验收仍要覆盖整个过程。

在线训练怎样把“这次改对”变成“下次做对”

执行中的纠偏解决当前这一次；训练还要回答，下次遇到类似状态能不能更好。

行为克隆用示教中的观测和动作训练策略。若部署时偏离了示教覆盖的状态，模型可能缺少相应的恢复行为。增加纠正数据可以补充这些经验；在线强化学习则进一步利用实际交互结果改进策略。

VLA-Precision 采用两阶段后训练：先用示教微调 π0.5，建立任务策略；再在真实机器人上交互，冻结已得到的基础参数，只更新动作专家中新增的 LoRA 参数。LoRA 是用少量可训练参数调整模型的方法，动作专家负责生成机器人动作。

它的 ACoB 方法同时改进动作生成和价值估计：前者决定怎样做，后者估计某个动作会带来怎样的后续回报。人接管时，系统保留原提案与纠正后的动作。实际执行轨迹用于学习后果；在接管发生的同一个状态下，再要求纠正动作的估值高于被替换的提案。

成功动作和有效纠正也直接用于训练动作专家；与此同时，冻结的第一阶段策略作为参照，约束新策略偏离原有行为的程度。

这解决了一个具体缺口：人把操作救回来后，不能让模型误以为原先被否决的动作同样值得执行。

九项化学操作覆盖不同接触条件与一项双臂任务；移液器装吸头、试管架装载等任务具有不同的对齐容差。

｜来源：VLA-Precision 论文 v3，Figure 5

论文报告九项任务的 180 次留出测试中成功 177 次，平均成功率 98.3%。实验设置表列出的容差并不统一：装吸头为 ±0.25 毫米，橡胶塞插入为 ±0.5 毫米，其他任务还有数毫米容差。98.3% 描述任务完成情况，±0.25 毫米描述特定任务的对齐要求。实际动作偏了多少，还需要相应测量。

平均每项 45.8 分钟指在线训练阶段，前面还有任务示教与微调。论文也未覆盖包含多个精度关键阶段的更长双臂序列。这个案例说明，在给定任务和系统中，在线训练可以继续改善已有策略；标定、执行和接触条件仍然是效果成立的基础。

怎样判断改善落在了哪一环

真正排查一套系统，我会先固定任务、工具和测试条件，再按下面几类现象找证据。这是依据前述机制整理的排查思路，现象只能提示检查方向，不能单独确诊。