复合机器人使用VLA技术落地的风险分析

1

VLA与传统控制方案对比

2

风险分析

高风险（可能导致方案失败）

1. 训练数据获取极难

• 场景高度标准化但又各不相同，需要数百种的数千条示教轨迹
• 清洁动作的"好/坏"标签极难定义——刷到≠干净，缺乏可量化的清洁度真值
• 真实场景采集成本高（需要人在卫生间操作机器人示教），仿真数据存在sim2real gap

2. 推理延迟与安全矛盾

• VLA模型参数量通常在数百万到数十亿级，单步推理延迟100ms-1s
• 清洁头在接触状态下，1秒的延迟可能导致：釉面划伤、卡死、溢水
• 腔内空间狭小（直径约30-40cm），容错空间极小， 延迟=碰撞

3. 长尾场景不可预测

• 内可能的异物种类无穷（纸巾、毛发、水垢、污渍、甚至小物件）
• VLA对训练分布外的输入会产生不可预测的动作输出
• 在密闭水环境中，一个错误动作可能导致设备损坏或二次污染

中等风险（性能显著下降）

1. 光照与视觉条件恶劣

• 内部光照不均、反光、水雾遮挡，视觉输入质量差
• VLA强依赖视觉，输入退化 → 动作退化
• 水面反射可能造成深度估计错误 → 末端扎入水中

2. 泛化性陷阱

• VLA的"泛化"是统计意义上的，不是物理意义上的
• 训练集未覆盖的形态，贴合效果可能从85%骤降至40%以下
• 用户实际一旦超出分布，体验断崖式下跌，且 用户无法判断原因

2. 触觉反馈缺失

• 当前主流VLA方案以视觉为主，触觉模态融合尚不成熟
• 清洁效果的核心指标之一是"力度"，纯视觉无法判断是否真正贴合到位
• 轻了不干净，重了伤釉面——这个度，没有触觉闭环很难把握

低风险但需关注

1. 计算资源与成本

• 端侧运行VLA需要较强算力（至少8GB显存GPU或等效NPU）
• 增加BOM成本200-500元，对消费级产品敏感

2. 可解释性差

• VLA是端到端黑盒，出问题难以调试
• 用户投诉"这块没刷干净"，无法定位是模型问题、视觉问题还是机械问题

3

提前规避

把不确定性封装在确定性框架内，让VLA的失败可检测、可恢复、可解释，VLA方案成败取决于：

• 数据积累深度（非模型复杂度）
• 架构合理性（分层可解释）
• 工程严谨性（仿真先行）
• 预期诚实性（能力边界明确）

1、数据层面提前准备

1.1 形态数据库

目标：覆盖主流品牌80%以上型号

实施方式：激光扫描建立3D模型库 + 物理参数表

关键产出：至少200种的完整模型

1.2 清洁轨迹示教数据

流程：人工清洁 → 录制过程 → 标准化轨迹 → ATP检测量化清洁度

每种至少50条高质量示教轨迹

1.3 边界案例数据集

极端光照、异物场景、损伤场景、结构变异

目的：暴露模型边界，为安全监控层提供触发条件

2、模型层面架构设计

2.1 分层决策架构

Layer 4: 任务层 - 子任务分解
Layer 3: VLA层 - 视觉感知 → 轨迹生成
Layer 2: 运动层 - 轨迹插值 + 力控闭环
Layer 1: 安全层 - 碰撞检测 + 急停逻辑（确定性）

2.2 安全约束机制

• 空间边界：工作空间限制
• 力度上限：力传感器实时监控
• 异常检测：输出分布偏离触发
• 时间限制：推理超时降级

2.3 多模态融合

视觉（主导）+ 深度传感器 + 力觉 + 惯性

• 正常：视觉主导
• 视觉退化：深度接管
• 接触：力觉反馈
• 异常：多模态投票

3、工程验证策略

3.1 仿真环境

物理引擎：流体、软体、摩擦模拟

视觉仿真：反光、水雾、阴影

验证闭环：仿真训练 → sim2real → 域自适应 → 真实验证

3.2 分阶段测试

3.3 监控指标

覆盖率、清洁度、损伤率、异常率、用户干预率

4、产品策略

4.1 能力边界声明

• 支持的型号清单
• 不支持的场景
• 用户配合事项
• 首次使用时型号识别 + 超范围提示

4.2 降级策略

• 轻微不确定性：继续执行 + 完成后提示
• 中等：询问用户
• 严重：拒绝执行 + 原因说明

4.3 OTA迭代

• 收集失败案例（脱敏）
• 模型更新
• 扩展支持型号

5、组织协作