一句话看懂：alphaXiv 收录的论文提出 FLORE，让人形机器人不仅能模仿动作轨迹，还能根据人类演示中记录的接触力，在推、转、擦等接触任务中主动控制力度。在宇树 G1 上，三个接触任务的成功率为 80%，仅用位置策略的对照为 26.7%。
事件核心：发生了什么
这篇论文（原始素材标注发布时间为 2026-10-26）针对人形机器人“全身移动 + 接触操作”场景。许多日常任务既要控制运动，也要控制接触力，而力往往需要双手与全身协同，单靠运动轨迹无法指定。FLORE 的采集方式不依赖机器人本体：操作者使用两个带六维力/力矩传感器、类似 UMI 的手持夹爪记录手部运动和接触力，再用三个可穿戴追踪器记录胸部和脚踝运动。
策略端是一个力反应扩散策略，输入腕部图像、机器人状态和实测手部力数据，输出包含关键点运动、夹爪开合以及双手力指令的动作块。执行端是混合柔顺全身控制器，把力指令转成手部位置目标的偏移，再根据腕部传感器测到的力误差积分调整。论文称，在仿真中 5 到 25 N 的双手力指令可实现约 1 N 的接触误差。在 G1 上，FLORE 在推龙门架、转箱子和擦白板三个任务共 30 次测试中成功 24 次；同一批演示训练的位置策略、同一控制器但关闭力指令，只成功 8 次。
为什么重要
长期以来，人形机器人操作多依赖动作轨迹模仿，接触力被视为控制器层面的细节。FLORE 的价值在于把“用多大力”变成演示数据中的一等公民，并让策略同时输出力和动作。这与人形机器人走向真实作业的方向一致：擦桌子、开门、搬运、插拔等任务，仅凭视觉很难判断是否压紧或是否打滑。论文用同一控制器做消融，把增益主要归因于力信息，这一实验设计比单纯展示任务成功更有说服力。
对用户/开发者/创作者的影响
对机器人开发者，FLORE 提供了一条可复用的数据路径：用手持力传感夹爪做“无机器人演示”，降低采集门槛；策略和控制器解耦，也便于替换硬件。对关注具身智能的研究者，值得关注的是力指令如何与全身平衡协调，以及传感器噪声下限对最小可验证力的影响。目前公开信息显示，这只是论文与项目页层面的研究，未说明产品化、开源代码或跨机器人泛化情况，社区讨论不应等同于作者结论。
值得关注的后续
一是论文是否公开更多真机实验和失败案例分析，尤其是侧向力与多轴耦合下的跟踪表现；二是力传感夹爪方案能否被更多团队复用，形成低成本的演示数据标准；三是这类力反应策略能否迁移到其他人形平台，并保持全身平衡与柔顺性。
来源：alphaXiv
