FocusVLA: 面向视觉-语言-动作模型的未来意图引导动态视角路由

FocusVLA是一种阶段感知的多视角路由框架，通过预测未来交互意图引导动态视角路由，在不同任务阶段自适应协调全局和局部观察。在RoboTwin 2.0上，FocusVLA将平均成功率提升10.10个百分点，在真实世界评估中成功率从71.7%提升至85.0%，比基线模型π₀.₅提高13.3%。该框架的意图预测和动态路由模块可集成到现有VLA框架中无需修改核心架构。