知识卡片：学习力反应式人形机器人移动操作

一句话结论

FLORE 通过“无机器人演示采集 + 力反应扩散策略 + 带力跟踪的混合柔顺全身控制器”，让人形机器人在保持平衡的同时按指令控制双手接触力；在三个接触密集任务上成功率 80%，而仅位置策略为 26.7%。

事件概述或研究问题

日常任务不仅需要控制运动，还需要控制接触力；在人形机器人上，这种力往往要由双手与全身协同完成，仅靠运动学轨迹无法指定。论文提出 FLORE 框架，研究如何从演示中学习力反应式的人形机器人移动操作（loco-manipulation）。

方法/产品要点

• 演示采集（无机器人）：使用两个带力传感的 UMI 风格手持夹爪采集手部运动与接触力旋量（contact wrenches），并用可穿戴追踪器采集身体运动。
• 力反应扩散策略：输入视觉、本体感知与测得的力旋量，输出动作以及每只手的力指令。
• 混合柔顺全身控制器（带力跟踪）：执行上述指令并维持平衡；利用真实力/力矩（F/T）传感器测得的力误差积分，使每只手沿指令方向精确跟踪力，在其他方向保持柔顺。
• 仿真验证：控制器可跟踪不同大小和方向的单手力指令，全身运动精度损失很小。
• 真机任务：在三个接触密集任务上评估力反应策略与仅位置策略（相同演示、相同控制器）。

主要结果或产业意义

• 真机三个接触密集任务：力反应策略 rollout 成功率 80%，仅位置策略 26.7%。
• 仿真中控制器对变化的单手力指令（大小与方向）具备跟踪能力，且全身运动精度损失很小。
• 产业意义：表明接触力可作为人形机器人移动操作的一等控制目标，与运动、平衡在统一框架内协调，而不只是位置轨迹的附属结果。

为什么重要

许多真实操作依赖对接触力的主动调节（如推、压、擦拭、协同搬运），仅靠位置控制容易失败或无法完成任务。FLORE 给出了从“无机器人演示”到“力反应策略”再到“全身力跟踪执行”的完整路径，并用真机对比显示了力指令输入带来的显著成功率提升；相较已有工作（如 VR+RL 遥操作、视觉驱动足球技能、反事实视频生成移动操作），其增量在于把双手接触力指令显式纳入策略输出与全身控制回路。

局限与不确定性

• 论文仅给出三个接触密集任务的结果，任务范围与泛化边界待核实。
• 演示依赖 UMI 风格手持夹爪与可穿戴追踪器，采集设置的成本与可扩展性待核实。
• 力跟踪依赖真实 F/T 传感器；传感器噪声、漂移与长期稳定性影响待核实。
• 与仅位置策略的对比在同一控制器下进行，其他控制器或基线下的差异待核实。
• 仿真到真机的迁移细节、失败模式分析待核实（摘要未展开）。

可用于图书/PPT/简报的角度

• “力”作为人形机器人移动操作的一等公民：从位置轨迹到力指令。
• 无机器人演示采集（手持夹爪 + 可穿戴追踪）如何降低数据门槛。
• 扩散策略 + 全身柔顺控制的分层分工：策略给力指令，控制器保平衡与力跟踪。
• 80% vs 26.7% 的对比可作为“力反馈缺失代价”的直观案例。
• 与 VR 遥操作、视频生成数据放大等路线的互补关系。

原始材料

• 标题：Learning Force-Reactive Humanoid Loco-Manipulation
• arXiv ID：2610.35862v1
• 作者：Sihang Li, Xiaofeng Guo, Jinkun Cao, Charlie Cheng, Ruihan Yang, Chen Feng, Guanya Shi, Haozhi Qi
• 发布/更新：2026-10-26T17:59:11Z
• 主分类：cs.RO；分类：cs.RO, cs.AI, cs.LG, eess.SY
• 摘要页：https://arxiv.org/abs/2610.35862v1
• PDF：https://arxiv.org/pdf/2610.35862v1
• 项目网站：https://louis-leee.github.io/FLoRe/