人形机器人搬东西，得先学会控制手上的力

让机器人帮你端一碗汤，难的从来不是走到桌边，而是手上那几两劲儿：握太紧捏碎碗，握太松汤洒了。一篇新论文把这件事拆开解决：上肢学「用多大力」，下肢管「怎么站稳」，两边各干各的，再由一个全身控制器把两者拧在一起。

一、发生了什么

这篇挂在 arXiv 上的论文（编号 2610.35862）提出了一个叫 FLORE 的框架，专攻人形机器人的「边走边施力」问题。论文的判断是：日常任务里接触力往往要两只手和整个身体一起配合，光靠规划运动轨迹根本表达不出来。

数据采集走了一条省钱的路线：不用真机器人示范，而是用两只带力传感的手持夹爪记录手部动作和接触力，再用穿戴式追踪器记录身体运动。模型侧是一个力响应的扩散策略，吃进视觉、本体感觉和实测的力信号，输出动作和每只手的力指令；执行侧是一个混合柔顺全身控制器，靠力传感器实测的误差积分，让每只手在指令方向上精准跟力、其余方向保持柔顺。

结果分两层。仿真里，控制器能跟上不同大小、不同方向的每手力指令，全身运动精度几乎没有损失。真机上，在三个接触密集的任务里，这套力响应策略成功率达到 80%；对照组是同一批数据训出来的、只控位置的策略，配同一个控制器执行，成功率只有 26.7%。

二、跟你有什么关系

做人形机器人的工程师：数据采集不必非上百万元级遥操作台，两只带力感的手持夹爪加穿戴追踪器就能攒出力控数据，采集成本降了一个量级。

做 VLA 模型的团队：这篇给了一个提示——策略的输出不一定是关节角，也可以是每只手的力指令，把「控力」显式喂给模型，接触类任务的分数差距是三倍。

做具身落地的从业者：端水、开门、装配这类活能不能商用，卡点往往就在力控。80% 对 26.7% 这个差距，说明同一段数据、同一个控制器，只是换了输出形式，落地成功率就完全不同。

三、怎么用

1. 判断自家场景是否属于「接触力主导」：搬运、插拔、按压类任务优先考虑力控输出，纯位置控制在脆弱物品上天然吃亏。
2. 评估数据采集方案时，把「免真机示范」的手持设备路线列入备选，成本和采集速度都有优势。
3. 复现或选型时注意分层结构：上层策略给力指令、下层柔顺控制器兜底稳定性，两层解耦比端到端更易调试。

四、三个别信的说法

「力控就是再加几个力传感器的事。」 传感器只解决测量，论文真正的贡献是让策略学会输出力指令、让控制器在保持平衡的同时跟住力，这三件事缺一不可。

「力响应必然牺牲运动精度。」 仿真结果显示全身运动精度损失很小，力控和运动并非此消彼长，关键在于控制器怎么分配。

「端到端大模型能自动学会控力。」 对照实验恰恰说明：同一批示范数据，只学位置的策略成功率不足三成。数据里没有力，模型就学不会力。

五、一句话结论

机器人要真正干活，先得从「把手移到位」进化到「把劲儿使对」，这篇论文把后一半跑通了。

信息来源

• arXiv 论文页：Learning Force-Reactive Humanoid Loco-Manipulation（2026-10-26）

功能与价格以官方公告为准。本文写于 2026 年 10 月 28 日。