FocusVLA：面向视觉-语言-动作模型的未来意图引导动态视角路由

FocusVLA 提出一种阶段感知的多视角路由框架，从历史动作预测未来交互意图，并据此在动作生成过程中动态路由全局与局部视角。在 RoboTwin 2.0 上，其平均成功率较最强基线 π_{0.5} 提升 10.10 个百分点；真实环境评测成功率从 71.7% 提升至 85.0%，较 π_{0.5} 增益 13.3%。其意图预测与动态路由模块可在不修改核心架构的前提下集成进现有 VLA 框架。