MIM-VLA：以夹爪电机反馈学习物理交互表征

视觉-语言-动作（VLA）策略主要从视觉观察和机器人状态推断抓取动作，但不明确表示接触后观察到的物理反应。我们提出了 MIM-VLA，一种基于电机反馈的架构，它将最近的夹具电流、位置、速度和信号有效性编码为 128 维交互 token。仅电机电机交互模块 (MIM) 使用人工审查的接触和交互阶段标签进行预训练，然后仅调节 SmolVLA 的抓手动作路径；手臂动作和位置控制接口保持不变。相同的 token 支持 MEM 选择器 VLM，该选择器比较候选交互并生成证据条件的选择和解释。我们在三种现实环境中评估 MIM-VLA：比较视觉上不同对象的交互阻力，通过主动探测消除视觉上相似的真实对象和复制对象的歧义，以及轻轻地抓住易碎对象，包括 保留测试 实例。在 13 个对象对中，MIM-VLA 在 75.0% 的试验中选择了较高电阻的对象，而 SmolVLA 基线的这一比例为 48.8%。对于评估的任务，该方法使用夹具已有的电机反馈，不需要额外的触觉阵列、力-扭矩传感器、校准的力估计或直流控制。