人形机器人学会“用多大力”：FLoRe用免机器人示教采集接触力，三项接触任务成功率80%
核心概要
人形机器人推车、搬箱、擦桌子这类活，光跟踪手的运动轨迹不够，还得控制接触力。FLoRe把力做成示教、策略与全身控制之间的共享接口：两只带六轴力/力矩传感器的手持夹爪在无机器人条件下同时记录手部运动与接触力旋量，扩散策略据此预测每只手的力指令，全身控制器再用实测力误差的积分去跟踪它。在Unitree G1的三项接触密集任务上，力反应策略成功率为80%，同一批示教训练、同一控制器执行的位置策略为26.7%。
深度剖析
人形机器人现在可以在行走和保持平衡的同时，按指令对物体施加指定大小的接触力，而不只是复现手的运动轨迹。 此前的学习型人形全身控制要么只跟踪运动，要么把外力当作需要抵抗或降低刚度的扰动；直接跟踪指令力只在四足机械臂上做过，且用的是估计力而非实测力。 在Unitree G1的三项接触密集任务上，力反应策略在30次 rollout 中成功24次，即80%；用同一批示教训练、同一控制器执行但关闭力指令的位置策略成功8次，即26.7%。
做法是把力同时放进示教的采集端、策略的输入输出端和底层控制器的执行端。 已有的无机器人全身示教接口只记录运动，不记录接触力，因此模仿学习拿不到力的监督信号。 每只手持夹爪在把手与夹爪之间装六轴力/力矩传感器，配合腕部相机、位姿跟踪器与胸、踝穿戴跟踪器；机器人腕部装同一套夹爪—传感器组件，使采集与部署时的传感器坐标系和夹爪几何一致。
底层控制器只输出关节位置，靠对实测力误差积分把位置目标沿指令方向推进，直到手实际压出的力与指令相符。 按估计接触力成比例平移目标的弹簧律无法感知是否接触，且压出的力随未知接触刚度变化。 仿真中控制器对每只手5至25 N的指令力增益为1.03至1.06，接触中误差约1 N；作为对照，SONIC加解析导纳伺服只实现指令力的0.67至0.70，接触误差约7.9 N。
启示与展望
演示范围是Unitree G1上的三项接触密集任务——推悬挂着另一台机器人的龙门架、双手转动箱子和擦板，每项任务每种策略10次 rollout，测试条件在策略间配对；仿真中的力跟踪在MuJoCo里对两组留出动作片段评估。读者若关心其他机器人平台、其他接触对象或更长时程的任务，需要看后续是否在这些设定下复现。
真机上传感器在无指令时仍读到1.25至1.50 N，因此部署时把低于1.5 N的指令置零、上限设为25 N；侧向与向下指令的增益更低，并会部分泄漏到其他轴。训练用的虚拟接触面是无摩擦的，指令全为法向，切向载荷在训练中从未出现。去掉力观测后成功率降到66.7%，作者将其描述为较小的趋势。