技术摘要：PaCo-VLA

问题陈述

接触密集型机器人操作需要具备双重能力：一是理解语言和视觉上下文的高层语义推理能力，二是针对接触动力学进行安全、高频调节的能力。虽然视觉-语言-动作（VLA）模型在语义任务中取得了显著的泛化能力，但其低速率的输出（动作标记或数据块）在力敏感场景下无法直接作为执行机构的控制权。VLA 与机器人接触控制器之间的直接接口产生了一个“语义到接触”的鸿沟：语义推理运行在慢速时间尺度上，而接触动力学（力矩测量、执行器限制、不稳定接触）则需要快速反应。直接执行 VLA 预测会导致由延迟引起的顺应性误差、力峰值，或执行违反物理安全约束的陈旧预测。此外，评估这些系统非常困难，因为任务成功可能会与低层控制器的恢复能力或几何捷径混淆，而非体现模型的语义价值。

方法论：PaCo-VLA

作者提出了 PaCo-VLA（被动性屏蔽顺应先验），该框架将语义提案生成与底层顺应执行解耦。系统并不将 VLA 输出视为直接的电机指令，而是将其视为任务级顺应提案。

1. 顺应先验接口

VLA 模型输出一个低速率提案向量 $\hat{u}_k$，包含：

• 语义绑定 ($\hat{b}_k$)： 目标物体识别。
• 任务阶段 ($\hat{s}_k$)： 当前任务阶段。
• 恢复线索 ($\hat{r}_k$)： 失败或需要恢复的指示。
• 导纳调度 ($\hat{\theta}_k$)： 一个建议的对角导纳调度 $(\hat{M}_k, \hat{D}_k, \hat{K}_k)$，定义了虚拟质量、阻尼和刚度。
• 有效性指标 ($\hat{q}_k$)： 新鲜度和上下文一致性。

2. 提案无关屏蔽器

一个高频、提案无关的屏蔽器负责管理这些提案的执行。该屏蔽器确保任何输入（无论是学习到的、随机的、延迟的还是经典的）在到达执行机构之前都被转化为安全指令。该屏蔽器通过三个主要阶段运行：

• 语义门控 (算法 1)： 系统检查提案的有限性、新鲜度和上下文一致性。如果提案无效或语义上下文不一致，系统将默认采用保守的恢复候选方案，而不是执行原始 VLA 输出。
• 顺应性投影 (算法 2)： 建议的调度被投影到容许集 $\Theta_{box}$ 中（对质量、阻尼和刚度进行裁剪）。至关重要的是，它强制执行了采样对角导纳被动性裕度：
  $$\rho_{k,i} = 2D_i - \frac{M_i - M_{k-1,i}}{\Delta t_k} \geq 2d_{margin}$$
  这确保了惯性（质量）的快速增加都有足够的阻尼支撑，以防止能量注入接触回路。
• 能量池保护执行 (算法 3)： 能量池（Energy-Tank）负责计算参数变化所需的活性能量。
  • 充电： 前一步中保守的阻尼耗散为能量池提供信用。
  • 放电： 质量或刚度的主动增加会消耗能量池。
  • 缩放： 对建议的调度应用缩放因子 $\beta_k \in [0, 1]$。如果能量池枯竭，则 $\beta_k < 1$，通过缩减主动参数变化来确保能量池状态保持在最小阈值 $E_{min}$ 之上。这防止了系统注入超过其通过耗散所“存储”的能量。

3. 受保护执行

如果力矩调节器检测到不安全的力量或语义门控失败，系统将进入“受保护”状态。它会暂停任务阶段转换，降低主动惯性，增加阻尼，并将刚度降低至安全保持值。这确保了延迟或不安全的语义输出不会直接指挥执行机构。

核心贡献

1. VLA-到-顺应接口： 一种新颖的架构，其中学习模型提出语义绑定和顺应调度，而机器人仅执行受屏蔽的执行机构命令。这实现了语义权威与接触权威的分离。
2. 提案无关的运行时契约： 一种结合了框投影、被动性裕度强制执行、能量池计数、力监测和受保护恢复的采样导纳运行时契约。该契约独立于提案来源，允许对不同类型的策略进行公平比较。
3. 因果评估协议： 一种使用配对模拟反事实试验的方法，用于隔离语义信息与几何捷径或低层恢复行为之间的因果贡献。这包括测试语言打乱、图像遮蔽、错误物体指令以及延迟上下文等条件。

实验结果

作者在模拟环境和真实的 AUBO-i5 机器人（配备六轴力/力矩传感器）上，针对接触密集型任务（特别是连接器插入）对 PaCo-VLA 进行了评估。

• 运行时安全性： 在 1,000 次对抗性顺应提案试验中，完整的 PaCo-VLA 投影实现了 0 次被动性违规，而移除投影后违规率达到了 50.5%。
• 任务成功率 vs 基准模型：
  • 在模拟中，PaCo-VLA 以 100% 的安全性实现了 0.318 的任务成功率，优于固定/自适应导纳控制器以及直接作用于执行机构的直接学习动作策略（如 OpenVLA、Diffusion Policy、ACT、Octo），后者通常在直接控制时成功率为 0%。
  • 在真实世界连接器插入任务（30 次试验）中，PaCo-VLA 实现了 10/10 的接触成功和 9/10 的插入成功，显著优于非语义屏蔽控制器和能量池基准模型。
  • 与基准模型相比，PaCo-VLA 将最终横向误差降低至 0.181 mm（基准约为 0.62 mm）。
• 语义归因： 反事实实验表明，高任务成功率因果性地依赖于实时的语义输入。当语言被打乱、图像被遮蔽或上下文延迟时，任务成功率降至 0%，这证实了成功并非由屏蔽器本身或几何捷径所驱动。
• 迁移性： 该框架成功迁移到了更复杂的电动汽车充电枪插拔任务中，实现了 8/15 的成功率。

重要性与主张

本文声称 PaCo-VLA 在导纳端口建立了可证明的采样被动运行时契约。其主要意义在于：

1. 弥合差距： 它通过将基础模型视为提案源而非直接控制器，使得在接触密集型领域部署这些模型成为可能，从而减轻了延迟和未经验证预测带来的风险。
2. 解耦评估： 通过实施提案无关的屏蔽器，该框架允许研究人员严格区分并评估 VLA 模型的语义贡献与控制器的安全机制。
3. 安全且高效： 即使在对抗性顺应偏移和语义偏移的情况下，也能维持零被动性违规，从而在直接 VLA 控制失效的力敏感任务中实现安全执行。

作者指出其局限性，承认其保证仅针对对角采样导纳更新，并不限制峰值力、耦合接触或执行器饱和。他们还提到，将该方法扩展到可变形物体和更丰富的物理模态仍是未来的工作方向。