用测力计标定扭矩常数并对齐扭矩差分观测，直接驱动多指夹爪在九个同分布物体上实现零样本仿真到现实抓取100%成功
核心概要
该工作提出一种面向直接驱动（DD）执行器的简单扭矩观测对齐方法：先用测力计标定识别电机扭矩常数 K_tau* 以修正仿真与真实扭矩的尺度差异，再在两个域中统一使用扭矩差分 delta_tau(t) = tau(t) - tau(t-1) 作为观测以消除域相关常数偏置，并在学习过程中注入由测力计测量数据得到的加性高斯噪声；作者完全在仿真中训练教师-学生抓取策略，把蒸馏后的学生策略部署到多指 DD 夹爪上，仅用关节位置与扭矩差分进行本体感觉抓取，在九个同分布（ID）物体上的消融对比中该方法取得 100% 抓取成功率。
Fig. 2: Simple torque observation alignment method pipeline.
arXiv深度剖析
提出一套针对直接驱动执行器的扭矩观测对齐流程，把仿真与真实扭矩在尺度、偏置、噪声三个层面的差异分别处理。 相对于直接使用扭矩 tau(t) 作为观测的常见做法，该方法把尺度差异交给测力计标定得到的 K_tau*，把域相关常数偏置交给扭矩差分 delta_tau(t) = tau(t) - tau(t-1)，把噪声差异交给从测力计测量数据中提取的加性高斯噪声。 文中以方法描述与消融实验的形式给出该流程，并在九个同分布物体上与若干替代对齐变体进行比较；原文为摘要级文本，未给出标定曲线、噪声参数或逐物体结果的细节。
在完全仿真中训练教师-学生抓取策略，并将蒸馏后的学生策略零样本部署到多指 DD 夹爪上，仅依赖关节位置与扭矩差分完成本体感觉抓取。 该验证把对齐方法嵌入到一条完整的仿真到现实迁移链路中，而不是只停留在观测层面的分析，说明对齐后的扭矩差分观测足以支撑真实硬件上的抓取决策。 证据来自真实多指 DD 夹爪上的部署结果，策略输入被限定为关节位置与扭矩差分；原文未报告训练规模、蒸馏细节或真实试验次数。
在九个同分布物体的消融对比中，所提对齐方法取得 100% 抓取成功率。 该结果把对齐方式的选择与抓取成功率直接联系起来，表明尺度、偏置与噪声三处处理共同支撑了零样本迁移的稳健性。 证据为九个同分布物体上的消融实验成功率；原文未给出替代变体的具体数值、置信区间或分布外物体的结果。
启示与展望
该结果面向使用直接驱动执行器、且电机电流可通过电机类型相关扭矩常数 K_tau 线性映射到关节扭矩的机器人，方法以测力计标定与实测噪声统计为实施前提。它使后续工作可以在仿真中训练、在真实 DD 硬件上零样本部署仅依赖关节位置与扭矩差分的本体感觉抓取策略，也为把扭矩类观测纳入仿真到现实迁移提供了一条可复现的对齐路径。适用场景以本文验证的多指 DD 夹爪与同分布物体抓取任务为参照。
读者仍会关心：替代对齐变体各自的具体成功率是多少，100% 是在多少次试验、何种判定标准下得到的；九个同分布物体之外的分布外物体或新任务上表现如何；测力计标定得到的 K_tau* 与噪声统计在不同电机、不同负载或长时间运行后是否需要重新标定；以及该方法在非直接驱动传动或存在明显摩擦与柔顺性的关节上是否仍然适用。由于当前加载文本为摘要级内容，缺少图表与逐项实验数据，上述问题无法从现有材料中回答。