上海AI实验室等提出FORGE：宇树G1无腕部力传感器也能搬箱

一句话看懂：上海人工智能实验室、清华大学等团队提出FORGE全身控制方法，让宇树G1在不装腕部六维力/力矩传感器的情况下估计接触力，并已完成搬运箱体的真机测试。

事件核心：发生了什么

据社交平台账号 @Moonquakes_ai 2026年11月援引的信息，上海人工智能实验室、清华大学、浙江大学、上海交通大学等机构的研究人员公开了FORGE研究。该方法把移动、落脚、双腕位姿和期望作用力拆成四种控制粒度，并通过命令掩码让机器人在不同任务间切换。其非对称残差控制保留已训练好的步态策略、只训练上身与有限下肢修正，避免29自由度全身策略从零学习。力估计方面，FORGE结合动量观测器与神经网络误差补偿，在特定近静态测试中方向混合估计器均方根误差为0.81 N至1.97 N；在宇树G1真机上，空箱和0.5 kg各20次全部成功，1 kg和2 kg各成功18次。

为什么重要

移动操作长期面临“走路”和“干活”两套控制难以协调的问题。FORGE的价值不在单个指标，而在提供一种可复用的分工：底层步态保持稳定，上层策略负责导航和抓取，接触力靠软件估计做闭环修正。这降低了六维力传感器的硬件成本与标定负担，也为开发者复用底层全身控制能力提供了条件。不过，目前公开信息显示，这套力估计更适合低频、近静态的腕部等效平移力，35至50牛未知载荷下误差明显增大，不能等同于工业级力传感器。

对用户/开发者/创作者的影响

对机器人开发者，FORGE提示了一条更务实的路线：不必每次新增任务都重训全身策略，可把扩散策略等上层视觉动作模型接到固定步态底座上。对内容创作者和演示场景，无腕部力传感器的方案意味着更低成本的原型搭建。对企业采购而言，20次真机测试和单一箱体条件还不足以支撑产线级结论；碰撞防护、急停和多点接触安全仍需独立机制。