力觉世界模型拆开两件事来学：演示定目标，玩耍数据补接触响应，四类真机任务成功率最高到95%
核心概要
接触密集操作里，专家演示只覆盖成功路径，难以说明力如何随动作变化；无任务目标的玩耍数据记录了更广的接触动力学，却不对应任务目标。ForceWAM把“任务期望的运动与六轴力/力矩未来”交给力觉世界模型从演示中学习，把“哪些动作能实现这一未来”交给逆动力学模型从演示与玩耍数据共同学习，部署时用新测得的力反馈在两次世界模型更新之间反复修正动作。在力调节滑动、有扰动与无扰动的翻箱、套环放置四类真机条件下，完整系统成功率分别为85%、95%、85%、90%，均高于所列基线。
深度剖析
接触密集操作被拆成两个可分别学习的问题：成功交互应当呈现怎样的运动与接触演化，以及哪些机器人动作能实现这一演化。 此前的端到端力觉策略把“哪种转移推进任务”和“哪个动作实现该转移”耦合在同一个任务监督映射里，只能依赖成功演示。 在力调节滑动、翻箱、带扰动翻箱和套环放置四类真机条件上，完整系统成功率为85%、95%、85%、90%，高于表中所有外部基线；仅用任务演示训练的版本也高于每个外部基线。
力觉世界模型从成功演示中同时生成未来腕部视频和未来六轴力/力矩轨迹，逆动力学模型则以当前观测加上一段视觉—力觉未来为条件输出动作。 逆动力学模型的训练窗口直接取自演示与玩耍片段中已记录的视觉—力觉未来及其对应动作，不需要先运行世界模型来构造训练输入。 玩耍数据按每类任务0、若干中间档到全部逐级加入，世界模型与优化器更新次数保持不变；滑动成功率从40%升到85%，翻箱从75%升到95%，带扰动翻箱从65%升到85%，套环放置从75%升到90%。
部署时世界模型每隔六个动作刷新一次参考，逆动力学模型在两次刷新之间用不断增长的实测力/力矩前缀重新去噪同一份缓存噪声，只执行当前动作。 视觉未来若只作为静态规划目标，无法说明沿该路径接触力应如何演化；这里生成的力觉未来同时充当接触参考。 四类未来条件对照中，视觉加力觉联合条件在四个条件下成功率均最高；去掉对记录未来的扰动增强后，翻箱、带扰动翻箱、套环放置各降若干百分点，滑动降更多。
启示与展望
结论来自单台Flexiv Rizon 4S七自由度协作臂配末端六轴力/力矩传感器的真机实验，覆盖力调节滑动、翻箱、带扰动翻箱与套环放置四类条件，每类条件各若干次试验，成功定义为任务完成且无安全停机或人工干预。
玩耍数据带来的提升是在世界模型与优化器更新次数固定、仅改变逆动力学模型训练数据的设置下测得的；端到端模型加入同样的玩耍数据后成功率反而下降，说明收益依赖这种解耦结构。世界模型预测的视觉细节与力/力矩峰值和实测存在偏差，主要交互阶段仍被保留。