# Franka Research 3（FR3） 公开实测档案

> 原文链接：https://robotics.hellobike.com/reviews/franka-research-3-public-results-compilation
> 频道：reviews | 更新日期：2026-10-22 | 标签：Franka FR3, VLA, 双臂操作, 真机部署, 控制延迟, 抓取
> 核心摘要：汇总FR3公开论文摘要、真机部署线索与兼容矩阵，提取可核验的延迟、成功率、控制切换和策略适应指标，标注适用条件与证据来源。

# Franka Research 3（FR3） 公开实测档案

&gt; 本页汇编公开论文的真机实验结果与站内已验证记录，每个数字在页面下方的量化表中标注出处；不同论文的任务、策略与次数不同，不能直接横向相加。

## 材料范围与口径

本档案仅采用用户提供的论文摘要、兼容矩阵记录与排障材料口径；指标只摘录摘要中明示数字，不做平均、换算或外推。材料覆盖Franka Research 3、dual Franka FR3，也含部分“Franka/Panda”实验，均在条件中区分。代表性论文包括[FastVLA](https://arxiv.org/abs/2610.22146)与[面向连续物理人机交互的亚毫秒反射](https://arxiv.org/abs/2610.21913)。

## 运动与控制相关结果

[面向连续物理人机交互的亚毫秒反射](https://arxiv.org/abs/2610.21913)在Franka Robotics机械臂上报告控制模态切换低于0.1 ms，并在多阶段操作任务中降低执行时间。另有[将潜在运动适应扩展到协调双臂操作](https://arxiv.org/abs/2610.14833)展示dual Franka举升任务的直接sim-to-real迁移，但摘要未给出可摘录成功率。

## 操作与策略相关结果

双臂异构夹爪方向，[面向异构双臂操作的具身感知规划](https://arxiv.org/abs/2610.23551)在dual Franka FR3平台验证吸盘与平行夹爪协作可提升可行性与可靠性。策略效率方面，[FastVLA](https://arxiv.org/abs/2610.22146)在物理FR3上报告端到端延迟下降；[Rho](https://arxiv.org/abs/2609.38164)将FR3 Duo列为适配形态之一。

## 感知与导航相关结果

视觉与世界模型类工作主要给出任务成功率或鲁棒性指标。[预测的未来还不够：为机器人操作学习可执行目标](https://arxiv.org/abs/2610.09309)在Franka臂零样本部署中报告多任务成功率；[为世界模型中的鲁棒决策建模潜空间扰动](https://arxiv.org/abs/2610.07599)给出硬件Franka上的失败减少结果。[面向控制的轨迹扩散不确定性](https://arxiv.org/abs/2610.12431)含人群导航与Franka操作，但摘要无可摘录数字。

## 兼容与排障记录

兼容矩阵列出pi05_franka_haply_joint_delta、MolmoBot-DROID、Cosmos3-Edge-Policy-SO101-init、pi05-piper-make-panda，备注均称基于Franka FR3相关轨迹或任务环境训练/微调，可经Hugging Face权重直接部署验证；状态字段为None，不能解读为通过或失败。用户未提供独立排障条目，因此本档案不引用/pitfalls记录。

## 怎么用这些数字

使用时应按任务、策略和硬件条件分组：延迟类数字可用于评估闭环控制预算，成功率用于比较同一基准或同一真机设置，适应 episode 数用于估算在线修正成本。不要把LIBERO、TaskGrasp、BOSS-44或Franka真机结果直接横向平均，也不要把Panda结果等同于FR3结果。

## 材料清单

- [面向异构双臂操作的具身感知规划](https://arxiv.org/abs/2610.23551)（arXiv 2610.23551）
- [FastVLA：面向高效视觉-语言-动作模型的任务条件化与时间自适应视觉 Token 压缩](https://arxiv.org/abs/2610.22146)（arXiv 2610.22146）
- [面向连续物理人机交互的亚毫秒反射](https://arxiv.org/abs/2610.21913)（arXiv 2610.21913）
- [TS-WAM：用于视觉语言机器人控制的时序潜在动作与世界-动作耦合](https://arxiv.org/abs/2610.21922)（arXiv 2610.21922）
- [FoveaVLA：用 Foveation 动作替代 VLA 中的腕部相机](https://arxiv.org/abs/2610.20064)（arXiv 2610.20064）
- [重回正轨：通过世界模型规划实现部署时策略改进](https://arxiv.org/abs/2610.19579)（arXiv 2610.19579）
- [Atomic-WAM：面向 World Action Models 的执行扎根原子运动推理](https://arxiv.org/abs/2610.20157)（arXiv 2610.20157）
- [TGrasp6D：任务信息视觉-语言先验与位姿精化实现零样本任务导向6DoF抓取](https://arxiv.org/abs/2610.20901)（arXiv 2610.20901）
- [将潜在运动适应扩展到协调双臂操作](https://arxiv.org/abs/2610.14833)（arXiv 2610.14833）
- [面向控制的轨迹扩散不确定性](https://arxiv.org/abs/2610.12431)（arXiv 2610.12431）
- [诊断并恢复长时程技能接缝处的观察空间偏移](https://arxiv.org/abs/2610.10810)（arXiv 2610.10810）
- [预测的未来还不够：为机器人操作学习可执行目标](https://arxiv.org/abs/2610.09309)（arXiv 2610.09309）
- [为世界模型中的鲁棒决策建模潜空间扰动](https://arxiv.org/abs/2610.07599)（arXiv 2610.07599）
- [ViDAL：面向 Vision-Language-Action 模型的视觉动态扎根动作潜在空间](https://arxiv.org/abs/2610.08150)（arXiv 2610.08150）
- [多保真策略梯度稳定数据稀缺的强化学习](https://arxiv.org/abs/2610.02505)（arXiv 2610.02505）
- [通过自博弈进行游戏引导的技能发现以实现可玩智能体控制](https://arxiv.org/abs/2609.40137)（arXiv 2609.40137）
- [Rho：高效可适应 VLA 模型的基础](https://arxiv.org/abs/2609.38164)（arXiv 2609.38164）
- [估计，不要模仿：复用可微分基于状态的策略用于视觉运动控制](https://arxiv.org/abs/2609.34018)（arXiv 2609.34018）

## 原始参考来源 (Sources)

- [arXiv 2610.23551：面向异构双臂操作的具身感知规划](https://arxiv.org/abs/2610.23551)
- [arXiv 2610.22146：FastVLA：面向高效视觉-语言-动作模型的任务条件化与时间自适应视觉 Token 压缩](https://arxiv.org/abs/2610.22146)
- [arXiv 2610.21913：面向连续物理人机交互的亚毫秒反射](https://arxiv.org/abs/2610.21913)
- [arXiv 2610.21922：TS-WAM：用于视觉语言机器人控制的时序潜在动作与世界-动作耦合](https://arxiv.org/abs/2610.21922)
- [arXiv 2610.20064：FoveaVLA：用 Foveation 动作替代 VLA 中的腕部相机](https://arxiv.org/abs/2610.20064)
- [arXiv 2610.19579：重回正轨：通过世界模型规划实现部署时策略改进](https://arxiv.org/abs/2610.19579)
- [arXiv 2610.20157：Atomic-WAM：面向 World Action Models 的执行扎根原子运动推理](https://arxiv.org/abs/2610.20157)
- [arXiv 2610.20901：TGrasp6D：任务信息视觉-语言先验与位姿精化实现零样本任务导向6DoF抓取](https://arxiv.org/abs/2610.20901)
- [arXiv 2610.14833：将潜在运动适应扩展到协调双臂操作](https://arxiv.org/abs/2610.14833)
- [arXiv 2610.12431：面向控制的轨迹扩散不确定性](https://arxiv.org/abs/2610.12431)