HAF-VLA：按腿、腰、臂顺序生成动作，人形机器人任务得分68.3%
分阶段生成全身动作的人形VLA在六项真实任务中平均得分68.3%，pi0.5为53.3%。该方法复用现有通用VLA权重，成本较低。本文为预印本。
为固定或轮式机器人设计的VLA，能否通过按腿与头、腰、臂与手的固定顺序生成动作，迁移到全尺寸双足人形机器人上？
人形机器人需同时协调行走、姿态、视线与双臂。一次生成全部26个控制维度时，下肢和腰部的微小误差会迫使上身补偿，降低精度和稳定性。
pi0.5等通用VLA单阶段生成完整动作块；英伟达GR00T N1.7、Cosmos Policy以及模仿学习ACT都没有按身体部位排序生成。
HAF-VLA沿用pi0.5的视觉语言编码器与动作专家，在共享动作空间内分三阶段去噪（行走与头部、腰部、手臂与手），每阶段10步；每阶段结果重新编码为KV缓存，作为下一阶段条件。每项任务采集120条遥操作示范，在天工3.0和2.0上训练。
每项任务10次实机测试，平均得分68.3%，pi0.5为53.3%，GR00T N1.7为37.8%，ACT为25.6%，Cosmos Policy为25.0%。搬箱子93.3%（pi0.5为60.0%）。消融中腿、腰、臂顺序得86.7%，腰优先70.0%，臂优先60.0%；30步pi0.5仅30.0%。目标桌移动30厘米后仍保持73.3%（pi0.5为40.0%）。
作者承认阶段增多带来更高延迟（0.123秒，对比10步pi0.5的0.075秒）。测试仅在一个实验室的两台机器人上进行，每种设置10次，统计波动较大。尚未经过同行评审。
对基于开源或授权通用VLA做微调的人形厂商意义直接。论文已在天工人形机器人上完成实机验证，国内采用pi0.5或GR00T路线的整机企业可低成本复用这一分阶段生成思路，延迟是快速任务中的主要障碍。
受许可协议限制，本站不转载该论文全文，仅提供摘要和原文链接。