Учиться чувствовать будущее: DreamTacVLA для контактов с Rich Manipulation

arXiv: 2512.23864v5 Annuate Type: заменить перекрестное резюме: модели Vision-Language-Action (VLA) продемонстрировали замечательную обобщенность, картируя знания в масштабе сети для роботоконтроля, однако они остаются слепыми к физическому контакту. Следовательно, они борются с решением сложных задач в области манипулирования, которые требуют рассуждения о силе, текстуре и скольжении. Хотя некоторые подходы включают низкомерные тактильные сигналы, они не позволяют отразить динамику с высоким разрешением, необходимую для такого взаимодействия. Чтобы устранить это ограничение, мы введем DreamTacVLA — систему, которая поместит модели VLA в контактную физику, учась чувствовать будущее. Наша модель использует иерархическую схему восприятия, в которой высокоразрешимые тактильные изображения служат для микровидеоприемников наряду с местным зрением на запястьях и макрозвуком третьего лица. Для того чтобы увязать эти многомасштабные сенсорные потоки, мы сначала научим единую политику с потерей иерархической пространственной гармонизации (HSA), которая приводит тактильные символы в соответствие с их пространственными символами.