SimpleTouch：无需额外触觉策略预训练的VLA扩展

触觉感知为机器人操作提供关键接触信息，但将其纳入预训练视觉语言动作（VLA）模型仍有挑战。一个常见顾虑是，只在任务微调中加入触觉可能无法弥合跨模态缺口，收益有限甚至降低成功率。因此，现有方法往往依赖大规模触觉策略预训练或单独视触觉对齐，增加数据需求和训练阶段。我们提出SimpleTouch，以触觉专家扩展π₀.₅，检验这些额外阶段是否必要。专家使用冻结预训练触觉编码器的全部token，通过动作监督和未来触觉潜变量的多时间跨度预测学习。单阶段训练仅使用任务演示，无需额外触觉策略预训练或单独对齐。每项任务使用50次演示时，SimpleTouch在全部六项UniVTAC任务上取得被评估方法中的最高成功率。平均成功率为77.5%，对比FTP-π₀.₅的45.2%和FTP-1的66.7%，分别提高32.3和10.8个百分点。在四项真实任务上，平均成功率为71.3%，比FTP-1高8.8个百分点。这表明，在已有预训练VLA和触觉表示的条件下，额外触觉策略预训练并非这些任务获得强性能的先决条件，为接触丰富操作提供更简单路径。项目页：https://simpletouch-robot.github.io/