将 VLA大模型部署于机器人：硬件适配与数据流,架构的微调对比,人机交互与容错验证

目前的 VLA 模型（如 OpenVLA、RT-X 等）大多部署在传统的刚性串联机械臂（如 UR5）上。然而，基于学习的策略模型（Learning-based control）本质上存在不可预测性（Unpredictability）。一旦大模型在推理时产生幻觉或动作偏差，沉重且僵硬的刚性机械臂J易对周围的人类造成严重的物理伤害。

方法链路很清晰：输入端收集软体机器人（Continuum Soft Robot，名为 Embuddy）在不同视角的示范数据 → 算法适配层针对软体机器人的非线性动力学特征，将传统的动作空间映射到柔性控制空间 → 微调层分别对当前Z先进的 OpenVLA（采用 OFT 微调）和 （流匹配架构）进行训练 → 执行端在不需要额外复杂碰撞检测算法的情况下，直接依靠软体机器人本身的物理柔顺性（Physical Compliance），安全地执行诸如“给人喂棉花糖”这种JG风险的物理交互任务。

具体算法实现细节

Bridging Embodiment Gaps 的核心设计围绕如何让为刚性机器人打造的 VLA 模型，成功跨越“具身鸿沟（Embodiment Gap）”，适配到软体机器人上。其实现聚焦三个关键模块：具身硬件适配与数据流（硬件基础）、不同 VLA 架构的微调对比（算法核心）、极限人机交互与容错验证（落地场景）。

关键模块一：软体具身适配与多视角构建

这个模块要解决的，是“如何让大模型看懂并控制软体手臂”。

双平台对照基准：为了严谨对比，团队同时设置了传统的刚性机械臂 UR5（作为 Baseline）和软体机器人 Embuddy。

视角处理与对齐：如图 3 和图 4 所示，实验同样采用了第三人称视角（3rd-person）和腕部视角（Wrist camera）。需要注意的是，软体机器人的腕部在运动时形变极大，视野晃动剧烈，这极大考验了 VLA 模型对非平稳视觉输入的空间表征与泛化能力

关键模块二：OpenVLA 与的部署与性能对抗

解决“哪种 VLA 架构更适合控制软体机器人”的问题。

损失函数与收敛：如图 5 所示，团队完整记录了 OpenVLA-OFT（正交微调）和基于流匹配（Flow Matching）的  模型在软体机器人上的训练损失曲线。

实验证明，即便是在软体驱动这种全新的动作空间下，两者都能在少量专家数据支持下稳定收敛。成功率与控制表现：如图 2 所示的成功率对比图表，在抓取、放置等标准任务中， 凭借其连续的时间流生成机制，在处理软体机器人复杂的连续动作输出时，普遍展现出了比 OpenVLA 更高的任务成功率和更平滑的物理控制效果。

关键模块三：高风险人机交互与“柔性容错”验证

展示了软体机器人结合大模型后d一无二的落地应用价值。

常规桌面操作动态对比：图 6 展示了 UR5 在执行常规“把橙子放在盘子里”任务时的刚性运动分镜。图 7 则展示了软体机器人 Embuddy 在执行类似任务时的柔性运动轨迹。

虽然 VLA 能够驱动两者准确完成任务，但在真实家庭环境中，刚性轨迹一旦遭遇不可预见的人类闯入，往往是致命的。

极限人机交互测试（喂棉花糖）：这是本文的安全高光时刻。如图 8 所示，团队让 VLA 模型控制软体机器人执行极高风险的“给人类嘴里喂棉花糖”任务。在执行过程中，由于人类头部的微小晃动，VLA 模型偶尔会产生位置预估偏差。

但关键在于，当软体手臂接触到人类面部时，它只是发生了极其安全的弹性形变，并未造成任何机械撞击伤害，并在形变后顺滑地调整姿态完成了投喂任务。这种“硬件J别的绝对兜底”，彻底释放了具身大模型在家庭看护与医疗辅助领域的潜力。