# 不装腕相机，VLA成功率反而更高

不装腕相机，VLA成功率反而更高

完整文章：https://haiguangboy.com/posts/foveavla

## 核心方法

每次查询预测16步动作，执行前8步；同时预测下一次查询时的交互区域。

↳ 等新图像到达，用之前预测的框从原分辨率图像裁出局部，再缩放到224×224。
↳ 全景保留布局，局部提供细节；RGB与深度采用相同裁剪。
↳ 动作与框共享观测表征，但输出分支隔离。框通过改变下一次观测影响后续动作，不是先把当前框喂给当前动作头。

区域监督来自DROID上的RoboInter交互标注，不需要采集人类眼动。

## 关键结果

四套真机任务、每套12次：
· 带腕相机π0.5：52.1%。
· 一个外部RGB-D视角：70.8%。
· 两个外部RGB-D视角：77.1%。
普通取放均为100%，增益出现在干扰物、布料和远物体任务。

更关键的是消融：双外部RGB仅全图25.0%，增加框监督31.3%，真正输入局部图后66.7%。知道该看哪里，还要让模型实际看到更多细节。

## 相关路线对比

- 同路线 · [Agile-WAM：轻量视触觉联合预测](https://haiguangboy.com/posts/agile-wam) `agile_wam_an_agile_tactile_world_action_model_for_contact_rich_robot_control_2026_09`：48次真机完整成功率不能外推工业可靠性 validates 小样本及选优评估不能外推为稳定通用能力
- 同路线 · [D4RT_Efficiently_Reconstructing_Dynamic_Scenes_One](https://haiguangboy.com/posts/d4rt_efficiently_reconstructing_dynamic_scenes_one) `d4rt_efficiently_reconstructing_dynamic_scenes_one_2026_06`：从原分辨率裁剪，同时保留全景 validates 可处理in-the-wild视频,连续query坐标支持任意/亚像素分辨率解码
- 同路线 · [DexTouch-WM：人类触觉预训练](https://haiguangboy.com/posts/dextouch-wm) `dextouch_wm_learning_action_conditioned_tactile_world_models_from_human_touch_fo_2026_09`：学习人类无腕视频仍是展望 validates 人类数据不是无硬件、无机器人数据的直接迁移
- 同路线 · [Introducing Gemini Robotics ER 2](https://haiguangboy.com/posts/google_blog_gemini_robotics_er_2_20260730) `google_blog_gemini_robotics_er_2_20260730_2026_07`：零样本排行榜对照不是受控比较 validates 数字缺对照:未点名竞品、未给基线数值、对比图表不可核
- 同路线 · [MT-WAM：未来监督如何服务动作](https://haiguangboy.com/posts/mt-wam) `mt_wam_reorienting_the_one_pass_predictive_representation_toward_action_generati_2026_09`：主结果不是仅删相机或仅加裁剪的单变量实验 validates 尚未完全分离监督目标、容量和分支结构的因果贡献
- 同路线 · [SmoothRL:只对真正执行的动作算账](https://haiguangboy.com/posts/smoothrl_online_reinforcement_learning_during_asynchronous_execution) `smoothrl_online_reinforcement_learning_during_asynchronous_execution_2026_09`：SmoothRL:只对真正执行的动作算账

## 边界

⚠️ 少一只腕相机，不等于零成本
RTX 5080上，Single动作查询约125ms，框解码约50ms。框解码与动作执行重叠，论文设置下无需等新帧到达后再定位，但计算并未消失。

真机每方法仅48次，不能外推工业可靠性；利用无腕人类视频训练，也仍是展望。

## 作者判断(非论文内容,跨论文综合观点)

💡 放回预测与控制的技术脉络
MT-WAM提醒：预测任务有用，不意味着预测token都该直接成为动作条件。FoveaVLA提供另一种接法：预测结果改变下一次收集的视觉细节。

值得检验的是，在遮挡、相机位置变化和更大工作空间中，这种“预测—观测—动作”循环能否持续保住收益，而不只是把目标框预测得更准。