看不见的零件，靠摸来定位

插一个连接器，最难的不是对准，是你不知道里面那颗卡扣在不在。相机只能看到外壳，看不到簧片的形状、看不到插座里的限位，也看不到上一次有没有人插歪。人的做法是先轻轻试一下：推不动就换角度，进去了有阻力就再使点劲。这个"试"的过程，就是触觉在做视觉做不到的事。

一、发生了什么

10 月 24 日提交的这篇论文（编号 2610.33705）把场景设在没去过的家里：要开抽屉、开柜门、掀盖子、拧水龙头。指令本身还带程度——"把抽屉拉开一半，轻一点"——而"一半"是多少、多大算轻，取决于这个部件的行程、阻力、以及什么在锁着它，这些图片里全没有。

它的流程是两段。第一段，视觉语言模型对每个可动部件提出三样东西：可能的运动方式、运动规律里的各项参数、以及可能是谁在锁着它。第二段，把这些猜测当成先验，但给先验设一个下限，也就是触觉永远有权推翻它。机器人在线用贝叶斯线性回归、带闭式证据，去辨识每个部件的规律，覆盖单向运动和双向运动两种情形，同时保留一个假设：还有没被看到的部件或运动在锁着目标。

论文还给了两条理论结论：只靠触觉无法排除这个"隐藏锁"假设，所以必须推导"再看一眼值不值这个成本"；以及当部件只往一个方向动时，恒定负载和摩擦是无法区分的。

数字：全部实验在仿真里，部分场景用于开发，留出场景只跑一次。在新厨房里，仅凭视觉语言模型的提议，机器人完成 80% 的任务；每个部件都已知时是 98%。为需要新运动项的物体补上物理先验后，成功率从 400 回合里的 353 升到 378 至 383。混合场景里加一次"再看一眼"，366 个任务里从 284 升到 329。

还有一个反常的对照：一台完全不从仿真器里取信息的移动机器人，在新场景的 100 个请求里完成 70 个；而由仿真器告诉它每个盒子是哪个部件的那一版，只完成 62 个。

二、跟你有什么关系

做家用机器人的：家里最不缺的就是没见过的活动件。你的模型必须允许"先猜后验"，而不是先建完模再动手。

做触觉的：这篇给触觉的定位不是主传感器，是纠错通道。采购触觉阵列时，重点看它能不能支撑快速推翻假设，而不是分辨率多高。

做评测的：注意那个移动机器人的对照——完全不从仿真器拿信息的版本，100 个请求完成 70 个；由仿真器告诉它每个盒子是哪个部件的版本，只完成 62 个。少给点提示反而更好，这个反常结果值得单独查。

三、怎么判断

1. 先分清哪些部件"看得见"。门把手看得见，抽屉滑轨的阻尼看不见。把任务按这个标准分两组，分别统计成功率，你才知道触觉值不值。
2. 给先验设可推翻的机制。如果你的策略里视觉结论一旦给出就锁死，触觉再准也没用。检查代码里有没有"推翻"这条路径。
3. 把"再看一眼"的成本算进去。移动一下相机是有代价的，论文专门推导了什么时候值得。在产线上，这个代价通常是节拍。

四、三个别信的说法

「80% 已经接近可用了。」 同一批实验里，"所有部件都已知"是 98%。这 18 个百分点的差距，就是开放世界和封闭世界的差距，也正是家用场景的常态。

「有触觉就能解决隐藏结构。」 论文自己证明了只靠触觉排不掉"还有别的东西在锁着"这个假设。触觉是必要的，但不充分，还是得回到视觉去补一次观测。

「仿真里跑通就能上真机。」 所有实验都在仿真里，作者也只声称仿真结果。摩擦、间隙、装配公差这些在仿真里被简化掉的东西，恰好是这类任务最难的部位。

五、一句话结论

视觉负责猜，触觉负责否；机器人开门的手感，来自它允许自己被推翻。

信息来源

• arXiv 论文页：视觉语言先验与触觉结合的开放世界操作（2026-10-24）

功能与价格以官方公告为准。本文写于 2026 年 10 月 27 日。