FocusVLA enseña a un robot a elegir cámara según la etapa de la tarea: +13,3 p. p. en pruebas reales

Un robot manipulador con varias cámaras debe ver tanto la escena completa como lo que ocurre junto a la pinza. Pero, según han comprobado investigadores del Technology Center of Software Engineering del ISCAS, los modelos VLA actuales aprovechan esos ángulos de forma muy sesgada. Su nuevo sistema, FocusVLA, suma en RoboTwin 2.0 una media de 10,10 puntos porcentuales de éxito a la mejor base de comparación, π0.5, y en los experimentos reales eleva el resultado del 71,7% al 85,0%. El trabajo ha sido aceptado en la conferencia CoRL 2026.

Una política que solo mira la muñeca

Los modelos vision-language-action integran en una sola política la percepción visual, la comprensión del lenguaje y la generación de acciones. Para agarrar un objeto de forma fiable hay que observar el objeto, el efector final y su posición relativa. Por eso los robots llevan varias cámaras a la vez: una general, de vista panorámica, y otra local, fijada a la muñeca. Se supone que las vistas se complementan.

Los autores de FocusVLA comprobaron si esto se cumple en la práctica y obtuvieron una respuesta incómoda. Los VLA existentes no aprovechan del todo la complementariedad de las vistas. La política se aferra a la cámara de la muñeca y no modifica el equilibrio entre la vista global y la local a medida que avanza la tarea. Sin embargo, cada etapa de la manipulación requiere información distinta. Durante la aproximación al objeto resulta útil la imagen general de la escena. Justo antes del contacto importan más los detalles junto a la pinza. Esa dependencia constante de un solo ángulo perjudica la adaptación a las etapas y la robustez.

Intención en lugar de un esquema rígido

FocusVLA es un framework de enrutamiento de vistas consciente de la etapa (stage-aware). El sistema toma el historial de acciones ya ejecutadas y, a partir de él, predice la intención de interacción futura, es decir, lo que el robot se dispone a hacer a continuación. Esa predicción controla el enrutamiento dinámico de las vistas durante la generación de acciones. El propio modelo decide en qué ángulo poner el énfasis en cada momento y concilia las observaciones globales y locales en las distintas etapas de la tarea.

Hay un detalle de ingeniería importante: el módulo de predicción de intención y el de enrutamiento dinámico pueden integrarse en frameworks VLA existentes sin cambiar su arquitectura base. Se parece más a un plugin que a un modelo nuevo construido desde cero.

Qué muestran las mediciones

Las cifras del trabajo:

• RoboTwin 2.0: el éxito medio supera en 10,10 p. p. al de la mejor línea base, π0.5 • Experimentos reales: el éxito subió del 71,7% al 85,0% • Diferencia con π0.5 en las pruebas reales: 13,3 p. p. • Aceptación: CoRL 2026 • Autores: Huixin Xu, Ziya Yu, Peng Li • Organización: Technology Center of Software Engineering del ISCAS • Preprint: arXiv 2610.31423

La mejora en el robot real es incluso mayor que en simulación. En un campo donde la brecha entre el benchmark y el mundo físico es tradicionalmente dolorosa, es una señal importante. Aun así, conviene recordar que la base elegida es π0.5, uno de los modelos VLA abiertos más destacados, y que FocusVLA gana precisamente frente a él. La comparación con otras políticas y el desglose por tareas concretas quedan como una cuestión pendiente para el texto completo del artículo.

Dónde resulta útil en la práctica

La observación de los autores sirve para cualquier equipo que entrene políticas de manipulación con varias cámaras. Si el modelo ignora de forma sistemática la vista general, añadir una segunda o una tercera cámara encarece el montaje y aumenta el volumen de datos, pero apenas aporta beneficio. Una comprobación sencilla de en qué vista se apoya la política en cada etapa muestra si su sistema sufre el mismo problema.

La segunda conclusión práctica tiene que ver con la compatibilidad. Dado que los módulos se integran en VLA existentes sin modificar el núcleo, pueden probarse sobre una arquitectura ya entrenada sin reconstruir todo el pipeline. Para la industria de los robots de almacén y de ensamblaje, donde la estabilidad en operaciones largas y de varias etapas importa más que los récords en demos aisladas, esta lógica parece viable.

Por ahora, en la página del artículo no hay modelos, datasets ni espacios de demostración asociados, de modo que la verificación independiente de los resultados depende de que los autores publiquen el código. Aun así, la idea de que la intención del robot determine hacia dónde debe mirar parece el siguiente paso natural para los VLA con entradas multicámara.