企业官网建设流程全解析

首个真· 家具组装的VLA框架

——做对了什么？还有什么没做？

目录

01 家具组装为什么这么难

三条路线的共同盲区

三种家具的难度阶梯

02 进度增强VLA：两招管住长时序

连续进度信号替代离散切换

“撤退后再切”的边界设计

理时的自动切换

03 实验

仿真主结果

四个设计因素的影响与边界

04 真机：只掉16%意味着什么

05 VLA家具组装第一步

不同于过往仅支持单臂、迷你模型的 VLA 方案，由MERL（三菱电机研究实验室）联合牛津大学等团队提出的 FurnitureVLA，是业内首套可完成真实尺寸桌椅、书架双臂协同装配的视觉语言动作完整框架。

真实尺度的家具装配对机器人而言面临多重挑战：任务序列长达7个子步骤、总计约1550个控制指令，双机械臂需在狭小空间内协同完成对准、插入、拧紧等操作，且对位置精度有毫米级要求。

FurnitureVLA 搭建仿真 + VR 遥操作双数据采集链路，创新引入任务进度表征优化模型推理，无需人工分段干预即可自主流转装配工序，在超千步连续控制流程中稳定完成家具组装，为家用操作机器人落地长时序双臂作业提供了完整可行技术路线。

01 家具组装为什么这么难

三条路线的共同盲区

现有家具组装研究大致分三条线。

• 第一条是手工规则，先解析说明书，再手工编写抓取、对齐、插入的运动序列（如Fabrica）。
  换一件家具就重写整套逻辑，泛化为零。
• 第二条是模仿学习（JUICER、IKEA Assembly Environment等），但在玩具尺度上用单臂操作，零件的几何容差、重量、双臂协调等真实约束一个都没覆盖。
• 第三条是VLA路线，但在面对650到1550步的长时序组装时，初始分布漂移和累积误差直接把策略送进没见过的状态空间。
  研究中π0.5零样本在三类家具上全部挂零，全量微调也只有48%。

▲FurnitureVLA系统总览：仿真数据管线 + VR遥操作 + 进度增强VLA

三种家具的难度阶梯

论文选了三款宜家产品构建难度梯度：

边桌（4个子任务、12次技能执行、650步）；
搁架（4个子任务、14次技能执行、850步）；
椅子（7个子任务、25次技能执行、1550步）。

椅子任务最多，整个过程涉及抓取、对齐、插入、抬升、旋转等多种技能的灵活组合。所有零件初始位置在标称位姿±3cm、±5°范围内随机扰动，组装精度要求小零件平移误差≤1cm、大零件≤2cm，旋转轴偏差≤4°。

▲三类宜家家具的子任务分解与难度阶梯

02 进度增强VLA：两招管住长时序

FurnitureVLA以π0.5为backbone（PaliGemma-2B视觉编码器 + Gemma-300M动作专家，总参数约26亿），在子任务数据上全量微调。

两个关键设计都打在长时序的核心矛盾上。

连续进度信号替代离散切换

每段子任务演示数据被标注上一个从0到1的连续进度值。

标注的依据是子任务内动作原语的执行顺序，比如：

"抓取→放置→撤退"三个原语各占1/3的进度区间，区间内按时间线性插值。

VLA的输出从14维双臂动作扩展为15维（动作+进度），通过Flow Matching联合训练。

消融实验中如果把连续进度换成离散标签（整个子任务内进度不变、靠分桶切换），三类家具全部零成功率。

原因很直观：零件"快装好了"和"已经装好了"在视觉上几乎没有差别，离散信号学不到临界点，模型卡死在切换边缘。

连续信号提供的是从"刚开始"到"差不多了"到"完成了"的平滑梯度，容错空间大得多。

▲预定义方向预设

“撤退后再切”的边界设计

子任务切换点不放在"零件刚装好"那一刻，而是放在机械臂撤退到安全位置之后。

研究的逻辑是：刚完成组装的接触状态极不稳定，微小的执行误差会让下一子任务的起始分布变得很宽，进入没见过的状态空间、开始漂移。

而机械臂撤退到远离家具的悬停位置后，无接触、无受力约束，小偏差不会放大，每个子任务的起始状态更窄、更一致。

跨子任务的分布漂移就是这样被‘摁’住的。

▲进度增强VLA架构：联合预测动作与连续进度信号

理时的自动切换

推理阶段，模型每步输出当前子任务的动作和进度值。

当进度超过阈值（τ=0.95）且通过简单高频滤波（连续两帧都超阈值，或隔几帧再次触发），系统自动切到下一子任务指令，重置进度、清空动作缓存，不需要外部状态估计器。

03 实验

仿真主结果

500条仿真演示训练、100轮评测（Table I）：

进步最大的是椅子（IVAR）组装：零件最大最重，对长时序漂移诱导的奇异位形最敏感，进度分解的收益因此最明显。

IVAR 虽然也涨了15个百分点，但56%的成功率依旧是明显瓶颈，失败集中在第五子任务：双臂协同抬起并挂接椅子框架。

▲仿真组装成功率对比

逐子任务成功率曲线呈现单调递减：每个子任务的成功率是一条只跌不涨的线，直观印证了误差累积传播的假设，而非某个环节存在单点瓶颈。

▲子任务成功率单调递减曲线

四个设计因素的影响与边界

下表覆盖了时序集成、动作步长、相机视角、输入分辨率四个因素的网格扫描。解读这些数字时需要注意边界条件：

• 时序集成（指数衰减权重平均近期预测，λ=-0.1最优）让整体成功率从65%回到80%，提升了15个百分点。
  但这个收益来自平滑效应：对需要快速响应的动态场景，平滑本身可能是副作用。
  边桌（LACK）最优λ=-0.1，而搁架（KALLAX）需要更平滑的λ=-0.25，说明重零件需要更多惯性。
• 动作步长上，LACK和IVAR倾向10步一重规划，KALLAX倾向25步：重零件轨迹需要更长的平滑窗口，更频繁的重规划意味着更高的推理开销。
• 后置相机最关键。
  去掉后置相机或替换为深度图后，LACK从98%跌至45%，这说明双臂操作中后置视角对处理遮挡不可替代。
• 分辨率从224×224提到448×448，IVAR从50%提到56%，有收益但边际效应递减。

▲感知与控制设计因素的网格扫描结果

04 真机：只掉16%意味着什么

真机只测了最难的IVAR椅子。100条VR遥操作演示训练，15轮评测（Table IV）。完整组装成功率40%。

逐子任务分解看：

S1=80% → S2=73% → S3=60% → S4=53% → S5=47% → S6=47% → S7=40%。

S3和S4的瓶颈是左臂远离相机、视觉信息衰减；

S5是双臂抬起框架时要求同时对齐多组磁铁，精度需求最高。

▲真机完整组装过程与自主纠错行为

对比仿真56%的成功率，真机下降了16个百分点。

考虑到sim2real域差距通常在30%以上，这个数字说明VR遥操作采集的数据质量足够支撑策略迁移。

另外值得注意：模型出现了自主纠错行为。

当抓取不稳定时，机械臂会主动松开、调整位姿、重新抓取；安装框架时，会小幅调整以对齐磁铁。

这些行为在遥操作演示中有人工示范，策略学到了并能在新rollout中自主复现。

▲现实世界中的精度要求

但单独跑每个子任务（从正确的中间状态起步），各子任务成功率在67%~87%之间，远高于完整组装的40%，进一步确认失败模式是子任务间误差累积，而非某个环节无法完成。

▲真机IVAR椅子逐子任务成功率

05 VLA家具组装第一步

FurnitureVLA 证明长时序VLA的瓶颈不是模型不够大，而是误差管理机制没做对。

子任务分解+连续进度信号+撤退后切边界的组合，把VLA在真实尺寸复杂操作上的表现从"完全不可用"拉到了"路线可行"。

但这里的“路线可行”也是有“限制条件”的：

• 第一，双臂固定在工作台上，工作空间受机械臂运动学范围限制，移动底盘是必须的下一步。
• 第二，用磁铁替代了螺丝紧固。这是整个装配中最难、精度要求最高的环节，研究中也坦诚标注了此简化。
• 第三，仅覆盖三款宜家产品，家具种类的泛化能力未验证。
• 第四，真机仅100条演示训练、15轮评测，40%成功率的置信区间较宽，大规模统计意义上的性能有待进一步验证。

参考论文：

论文标题：FurnitureVLA: Learning Long-Horizon Bimanual Furniture Assembly with Vision-Language-Action Model