具身开发者社区

外观

论文CoRL 2026 论文追踪今天

CoRL 2026 RoboFFT：基于频域动作 Token 化的高帧率双臂灵巧操作 VLA 架构 ​

针对自回归视觉-语言-动作（VLA）模型在高频连续控制中动作抖动与推理延迟大的痛点，RoboFFT 利用快速傅里叶变换（FFT）构建频域动作词表，在双臂真机操作中兼顾多模态语义推理与 50Hz 平滑轨迹输出。

AI 整理
  • 数据与采集
  • 具身模型

Franka RoboticsFranka FR3松灵机器人松灵 PiPERopenvla-7bpi0_base

核心问题与动机 ​

以 OpenVLA 为代表的离散动作 Token 自回归 VLA 模型，通常将每个控制时间步的各关节增量独立量化为 256 个分箱（Bins）。当控制频率提升至 50 Hz 甚至更高时，时域逐帧 Token 化不仅导致序列长度爆炸（单次预测几十个 Token 耗时数百毫秒），而且极易在相邻帧之间产生高频量化噪声，引发真机机械臂剧烈抖动。

方法核心：频域动作压缩（Frequency-Domain Action Tokenization） ​

RoboFFT（及同类频域动作编码方案如 FAST）利用机器人物理运动轨迹天然具备的低频连续性：

  1. 滑动窗口 FFT / DCT 变换：将未来 (H) 步（例如 1 秒、50 帧）的多自由度关节轨迹矩阵转换至频域，能量高度集中在最前面的少数低频系数上。
  2. 紧凑动作词表（BPE 编码）：滤除高频量化毛刺后，使用字节对编码（BPE）将整段动作块压缩为原本 1/5 ～ 1/8 数量的离散 Token。
  3. 逆变换零抖动还原：端侧解码时通过逆变换直接重构出平滑连续的 50 Hz 关节位置/速度曲线，无需额外串联低通滤波器。

工程部署启示 ​

在 Franka Research 3 与 松灵 PiPER 双臂平台上，频域动作 Token 化使 7B 级自回归 VLA 的单步动作块生成耗时大幅缩短，在保持与扩散策略（如 π0）相当的操作平滑度同时，保留了标准大语言模型交叉熵训练的高收敛效率。

基于本页技术方向关联的整机参数、核心零部件、实测报告与同赛道选型横评。

Franka RoboticsFranka FR37 DoF≈ ¥20.5万–25.2万松灵机器人松灵 PiPER6 DoF¥1.5万

来源

本页事实对应的公开页面，以原文为准。

  1. CoRL 2026 论文追踪：RoboFFT 频域动作表征与具身控制访问 2026-11-03