arXiv 于 2026 年 10 月 20 日（周二）18:36:13 UTC 收到题为《T-WLA: Bridging Slow Vision and Fast Touch》的论文投稿，编号 arXiv:2610.28814v1，分类为机器人学（cs.RO），由 Kaichen Zhou 领衔、共 17 位作者合作完成，提交者为 Yuzhen Chen，稿件体积约 34,301 KB。论文提出的核心问题是：在接触密集型操作中，接触条件可能在视觉策略更新动作计划之前就发生变化；若通过视觉策略重新计算计划会引入延迟，而仅依赖触觉反馈又无法指明当前运动应如何针对任务进行修正。为此，作者提出 T-WLA——一种世界-语言-动作（world-language-action）架构，利用共享的视觉记忆同时指导动作生成与触觉修正。
在机制上，每次视觉更新时，视觉分支将当前图像、任务指令以及检索到的历史信息整合为一份视觉记忆，用以条件化基础动作（base-action）的生成；同一份记忆会被缓存并交给一个轻量的触觉编辑器，后者将其与正在执行的动作片段以及新到达的触觉信号结合，预测对尚未执行动作的残差修正，而无需重新运行视觉分支。这一设计意在让缓慢的视觉更新与快速的触觉反馈各司其职：视觉分支负责低频的计划生成，触觉编辑器负责高频的在线修正。训练方面，未来图像预测与未来压力预测仅作为训练期监督信号，促使视觉记忆与触觉特征捕捉与动作生成和修正相关的交互动力学。
实验评估分为两部分：一是在 EgoTouch 与 Tachin 数据集上进行触觉条件下的手部运动预测；二是在四个真实世界灵巧操作任务上进行真机实验。结果显示，T-WLA 相较于已报告的最强基线将手指关节 MPJPE 降低 30%，并在真实机器人操作任务上取得约 50.0% 的平均成功率。作者提供了视频与代码，项目页面为 https://anonymous-submission-20.github.io/T-WLA.github.io/。需要注意的是，该摘要页面未披露基线细节、任务具体构成、训练数据规模及各任务的单独成功率，约 50.0% 的平均成功率也表明该方向在真机条件下仍有较大提升空间；此外论文 DOI 为 https://doi.org/10.48550/arXiv.2610.28814，由 DataCite 签发（注册尚待完成），全文可通过 PDF、实验性 HTML 及 TeX 源码等形式获取。