ForceDelta-VLA：为接触丰富的操纵提取力条件动作校正

力感知视觉-语言-动作 (VLA) 策略可改善接触丰富的操作，但通常将任务级运动和接触相关调整结合在单个动作预测中。演示没有提供明确的标签来将该预测分解为可重用的参考操作和校正。我们提出了 ForceDelta-VLA，这是一个校正蒸馏框架，它使用来自冻结教师的力调节和学习的力不可知模式的配对预测来构建显式的力校正目标。单独的延迟校正目标考虑了参考动作不匹配和参考状态的变化。训练使用异步计划重放以及执行期间可用的缓存任务上下文。由此产生的轻量级策略使用最近的力历史记录和机器人状态来调整参考动作，响应参考动作更新之间的接触变化，而无需重新生成完整的动作块。在 9 项单臂和双手接触丰富的任务中，ForceDelta-VLA 实现了 82.2% 的平均成功率，而原始 ForceVLA 基线的平均成功率为 54.4%。我们第一阶段临时老师的直接执行达到了70.6%。相对于 ForceVLA，整个系统在两个平台上的成功试验中将平均峰值接触力降低了约 26%。