FutureVLA：联合视觉-运动预测建模——解耦双流先验增强 VLA

论文：FutureVLA: Joint Visuomotor Prediction for Vision-Language-Action Model

作者：Xiaoxu Xu, Hao Li, Jinhui Ye, Yilun Chen, Jia Zeng 等

机构：北京航空航天大学、上海 AI Lab、中国科学技术大学、香港中文大学

发布时间：2026年3月

🔗 arXiv | PDF

分类标签：VLA 未来预测 视觉-运动解耦 3D-VAE 潜在对齐

一句话总结

FutureVLA 提出联合视觉-运动预测建模（JVPM）框架，通过结构性解耦视觉流和运动流的监督目标、门控交叉注意力做条件化交互，从连续多帧视频中提取物理接地的联合视觉运动嵌入，再通过潜在嵌入对齐将时序先验迁移给下游 VLA，推理时无需未来帧输入，SimplerEnv Google Robot 平均成功率达 80.1%，真实机器人超越 π₀ 达 26.7%。

一、问题与动机

1.1 VLA 缺乏物理接地的未来预测能力

当前 VLA 模型主要依赖当前观测和语言指令来预测动作，缺乏对未来环境动态的理解。为弥补这一不足，近期工作尝试为 VLA 引入"未来指导"，大致分两条路线：

• 显式未来指导（WorldVLA、DreamVLA）：直接预测未来视频帧或结构化视觉表示，再用作条件化信号
• 隐式未来指导（LAPA、UniVLA、Villa-X）：学习未来观测的潜在向量，用于增强当前决策

1.2 两个根本缺陷

FutureVLA 指出这两条路线各有一个核心问题：

问题一：视觉主导（Visual Dominance）

显式和隐式方法都严重依赖视觉重建损失。由于视觉信号的信息密度远高于动作信号，联合训练时视觉重建目标会主导嵌入空间，模型把大量容量浪费在任务无关的视觉细节上（背景纹理、光照变化），静态场景上下文和动态动作意图纠缠不清。

用大白话说：模型花了 90% 的精力去记忆"场景长什么样"，只花 10% 的精力理解"该怎么动"。

问题二：时序不连续（Temporal Discontinuity）

隐式方法通常只使用稀疏帧对（如首尾两帧）来提取未来向量。但 VLA 输出的是连续多步的 action chunk（如 16 步动作），稀疏帧对无法与动作块的时间粒度对齐——中间时刻的运动信息完全丢失。

1.3 FutureVLA 的核心思路

FutureVLA 同时解决这两个问题：

问题	现有方法	FutureVLA
视觉主导	单一重建目标，视觉和运动纠缠	双流解耦监督 + 门控条件化交互
时序不连续	稀疏帧对	连续 17 帧视频经 3D-VAE 编码

二、预备知识

2.1 3D-VAE 时序视频编码

FutureVLA 使用 WAN（视频生成模型）的 3D-VAE 作为视觉分词器。与传统 2D-VAE 逐帧编码不同，3D-VAE 在时间维度上也进行卷积压缩，能捕获帧间的运动连续性。

输入约束：帧数必须满足 $4N+1$ 的形式（如 5, 9, 13, 17 帧），这是 3D-VAE 的时间下采样架构决定的。FutureVLA 选择 $N=4$，即 17 帧。

编码后得到时序 token 矩阵 $V\in {\mathbb{R}}^{T^{\prime }\times H^{\prime }\times W^{\prime }\times d}$，展平为 $V\in {\mathbb{R}}^{1960\times 48}$（5 个时间步 × 14 × 28 个空间位置 × 48 维通道）。

2.2 Action Chunk

VLA 通常不是逐帧预测单步动作，而是一次性预测未来多步的动作序列 ${\mathbf{a}}_{t:t+H}$，称为 action chunk。这与 3D-VAE 编码的时间跨度天然对齐——17 帧对应一个完整的 action chunk 时间窗口。

2.3 两种 Action Head

FutureVLA 支持两种动作解码风格：

• OFT-style：基于 ResNet 的回归头，使用 MAE loss 直接预测动作值
• GR00T-style：基于条件流匹配（Conditional Flow Matching）的生成式动作头，将噪声经多步去噪映射为动作

三、核心方法

FutureVLA 采用两阶段训练范式：联合视觉运动预训练 → 潜在嵌入对齐后训练。

3.1 阶段一：Joint Visuomotor Pretraining（JVPM）

这是 FutureVLA 的核心贡献——学习一个同时编码未来视觉信息和运动意图的联合表示。

3.1.1 视觉分词

给定未来连续 17 帧视频 $\{I_t,I_{t+1},\dots ,I_{t+16}\}$，经冻结的 WAN 3D-VAE 编码为紧凑的时序 token 序列：

$$V=\text{3D-VAE}(I_{t:t+16})\in {\mathbb{R}}^{1960\times 48}$$

3.1.2 Transformer 编码与双流分裂

将 $V$ 送入 Transformer 编码器，经过若干层自注意力后，将 token 序列均分为两组：

• 视觉 token $V_n\in {\mathbb{R}}^{980\times d}$：负责捕获静态场景几何
• 运动 token $M_n\in {\mathbb{R}}^{980\times d}$：负责捕获动态运动意图

3.1.3 Joint Visuomotor Gating（核心机制）

分裂后的两组 token 进入一个迭代交互过程（共 3 轮），每轮包含：

视觉流：

$$V_n^{\prime }=V_n+\text{SelfAttn}(V_n)$$

纯自注意力更新，保持视觉表征的独立性。

运动流：

$$M_n^{\prime }=M_n+\text{SelfAttn}(M_n)$$

先做自注意力提取运动模式，再通过门控交叉注意力查询视觉 token 获取空间约束：

$$M_{n+1}=\sigma (r)\odot \text{CrossAttn}(Q=M_n^{\prime },K=V_f,V=V_f)+M_n^{\prime }$$

其中：

• $r$ 是可学习标量参数（初始化为 0）
• $\sigma (\cdot )$ 是 sigmoid 函数
• $V_f$ 是视觉流的最终输出

设计直觉：$r$ 初始为 0 意味着 $\sigma (0)=0.5$，门控适度开放；训练过程中模型自动学习视觉约束应对运动预测贡献多少。这避免了视觉信号一开始就淹没运动信号（防止 Visual Dominance）。

经过 3 轮迭代，得到最终的联合视觉运动嵌入 $M_f$。

3.1.4 双监督解耦

视觉流和运动流使用完全独立的监督目标：

$${\mathcal{L}}_{\text{JVPM}}={\mathcal{L}}_I+{\mathcal{L}}_A$$

• 视觉损失 ${\mathcal{L}}_I$：视觉 token $V_f$ 经解码器重建第一帧的潜在嵌入（而非所有帧）
• 动作损失 ${\mathcal{L}}_A$：运动 token $M_f$ 经 action head 预测 action chunk

为什么重建第一帧而非末帧？ 消融实验表明（Table 6），重建首帧（71.9%）显著优于重建末帧（68.8%）。首帧作为静态几何锚点，为运动流提供稳定的空间参考，不会引入末帧中可能出现的视角变化或遮挡噪声。

3.2 阶段二：Latent Embedding Alignment Post-training

阶段一训练好的 JVPM 模型作为 teacher，为下游 VLA 提供时序先验。

3.2.1 VLA 骨干

下游 VLA 使用 Qwen3-VL-4B 作为视觉语言骨干。输入当前观测（单帧）和语言指令，输出中间层特征 $F_r$。

3.2.2 轻量对齐

$F_r$ 经一个轻量 Transformer adapter 映射为 $F_a$，使其对齐到 JVPM 产生的联合嵌入 $M_f$：

$${\mathcal{L}}_{\text{total}}={\mathcal{L}}_A+\beta \parallel M_f-F_a{\parallel }_2$$

其中 $\beta$ 使用 cosine decay 调度——训练前期强对齐保证先验注入，后期逐渐松弛让模型自主优化动作预测。

3.2.3 推理时无需未来帧

关键优势：推理时 JVPM 模型完全不参与。VLA 已通过对齐将时序先验内化到自身参数中，输入仍然是单帧观测 + 语言指令，不增加任何推理开销。

3.3 方法总结

1. 视觉分词：未来 17 帧 → 冻结 3D-VAE → 1960 个时序 token
2. 双流分裂：Transformer 编码 → 均分为 980 视觉 token + 980 运动 token
3. 门控交互（×3 轮）：运动 token 经门控交叉注意力查询视觉 token
4. 双监督解耦：视觉 token → 重建首帧；运动 token → 预测动作块
5. 潜在对齐：冻结 JVPM，用 MSE 将 VLA 中间表征对齐到运动嵌入 $M_f$
6. 推理：只用 VLA，单帧输入，零额外开销

四、实验结果

4.1 主实验

SimplerEnv Google Robot（Visual Matching）

方法	Drawer	Pick Coke Can	Move Near	Place Apple	Avg.
OpenVLA-OFT	30.3	79.3	58.7	21.7	47.5
π₀	72.0	64.7	37.3	36.7	52.7
FutureVLA-GT	81.7	93.3	64.0	81.3	80.1

FutureVLA-GT 平均成功率 80.1%，较 π₀ 提升 27.4%，较 OpenVLA-OFT 提升 32.6%。

SimplerEnv WidowX

方法	Put Carrot	Stack Blocks	Put Eggplant	Avg.
GR00T-N1.5	72.0	23.2	90.4	61.9
FutureVLA-GT	89.6	32.8	93.2	71.9

LIBERO

方法	Spatial	Object	Goal	Long	Avg.
π₀	91.7	96.7	85.0	93.3	94.2
UniVLA	98.3	95.0	91.7	95.8	95.2
FutureVLA-GT	99.2	99.2	96.7	98.3	98.3

真实机器人（Franka）

任务	π₀	OpenVLA-OFT	FutureVLA-GT
4 任务平均	43.3%	50.0%	70.0%

真实世界平均成功率超越 π₀ 达 +26.7%。

LIBERO-Plus（鲁棒性）

FutureVLA-GT 总分 79.7%，显著超越 OpenVLA-OFT（69.6%），表明 JVPM 先验有助于应对干扰变化。

4.2 消融实验

Joint Visuomotor Gating 逐步消融（Table 5, WidowX）

设置	Put Carrot	Stack	Eggplant	Avg.
无解耦（所有 token 混合预测动作）	56.0	24.0	95.2	58.4
解耦但无交互（运动 token 独立）	68.8	31.2	96.8	65.6
解耦 + 交叉注意力（无门控）	82.4	25.6	94.4	67.5
完整门控交互	89.6	32.8	93.2	71.9

关键发现：

• 不解耦反而更差（58.4 < 无 JVPM 的 62.5），证明混合 token 的未来信息是噪声而非先验
• 门控比裸交叉注意力高 4.4%，说明需要控制视觉信号的流入强度

时序密度消融

帧数	2	5	9	17
Avg.	64.1	65.3	68.0	71.9

性能随帧数单调递增，验证了连续时序建模的必要性，2 帧（稀疏帧对）是最差的。

重建目标消融

目标	Avg.
重建首帧	71.9
重建末帧	68.8

首帧作为静态几何锚点，为运动流提供更稳定的空间参考。

视觉扰动鲁棒性

方法	Embedding MSE ↓
LAPA	0.3047
Villa-X	0.0188
FutureVLA	0.0054

FutureVLA 的嵌入对视觉扰动最不敏感，说明解耦成功地将运动信息与视觉噪声隔离。

4.3 PAAC 指标

论文提出 Physics-Aware Action Consistency（PAAC） 指标：基于 DTW（动态时间规整）对齐预测与真实动作序列，再用 RBF 核度量逐步差异。PAAC 比简单余弦相似度更能反映物理一致性，且与下游任务成功率高度相关。

五、局限性与未来方向

5.1 3D-VAE 约束

冻结的 WAN 3D-VAE 要求输入帧数必须为 $4N+1$，分辨率固定 224×224。预训练 VAE 的质量直接约束时序 token 的信息量，灵活性受限。

5.2 均分策略缺乏自适应性

视觉 token 和运动 token 的数量固定为各 980 个（50%/50%）。不同任务可能需要不同比例——精密操作可能需要更多运动 token，场景理解任务需要更多视觉 token。

5.3 仅视觉模态

作者在 Limitations 中承认，对于接触密集型任务（如擦白板），仅靠视觉约束不足，需要触觉、力矩等额外模态。

5.4 预训练规模

15.6M 帧的预训练数据规模相比 π₀ 等工业级模型偏小，跨具身泛化的上限可能受限。

5.5 OFT-style 表现不稳定

Variant Aggregation 设置下 FutureVLA-OT 的 Open/Close Drawer（31.7%）和 Put in Drawer（23.8%）明显低于 GT 版本，说明 OFT-style action head 在某些场景下适配性有限。

5.6 β 调度缺乏消融

对齐损失的权重 $\beta$ 采用 cosine decay，但论文未对此调度策略进行消融实验。

六、个人思考

6.1 "解耦再交互"是正确的信息流设计

与 LAPA（直接重建未来帧的潜在向量）和 Villa-X（多帧拼接单一嵌入）相比，FutureVLA 的先强制解耦、再门控交互策略更加干净。消融实验（Table 5）最有说服力的一点：不解耦反而比没有未来指导更差，说明混合的未来信息确实是噪声而非先验。解耦是把噪声变成信号的关键一步。

6.2 连续帧 vs 稀疏帧对：与 MemoryVLA 的对话

MemoryVLA 通过记忆库存储历史帧来建模时序依赖（回顾过去），FutureVLA 通过 3D-VAE 编码未来帧来提供时序先验（展望未来）。两者方向互补——一个问题是：能否结合两者，既回顾过去又展望未来？

6.3 推理零开销的潜在对齐范式

FutureVLA 的两阶段设计——训练时用未来帧、推理时不需要——与 SF 的思路类似（SF 用 VGGT 3D 表征做隐式对齐，推理时也不需要 3D 输入）。这种**"训练时借力、推理时卸力"**的潜在对齐范式正在成为 VLA 领域的一个趋势。

6.4 与世界模型方法的对比

WorldVLA 和 DreamVLA 走显式路线，在推理时也需要生成未来帧，计算开销大。FutureVLA 证明了：通过合适的训练范式，未来信息可以被内化到 VLA 参数中，不需要在推理时实际生成。这与 RISE、WoVR 等世界模型 RL 方法的"想象空间训练"形成有趣对比。

6.5 门控标量 r 的可解释性

可学习标量 $r$ 控制视觉对运动的约束程度，但论文没有分析训练后 $r$ 的收敛值。如果 $\sigma (r)$ 趋近 0，说明运动流不太需要视觉约束；如果趋近 1，说明视觉约束是必要的。分析 $r$ 的值和梯度变化可以提供更多关于视觉-运动交互的洞察。

参考

• LAPA: Latent Action Pretraining from Videos — 隐式未来指导的代表方法，FutureVLA 的主要对比对象
• UniVLA: Unified Video-Language-Action Model — 通过稀疏帧对的隐式引导方法
• OpenVLA-OFT: Open Vision-Language-Action Model with Optimal Fine-Tuning — OFT-style action head 的来源
• π₀: A Vision-Language-Action Flow Model for General Robot Control — Flow Matching VLA 基础模型
• GR00T N1.5 — GR00T-style 条件流匹配 action head 的来源
• WAN: Wan: Open and Advanced Large-Scale Video Generative Models — 3D-VAE 的来源
• WorldVLA: World Model Enhanced VLA — 显式未来指导的代表方法