轮腿机器人触觉补偿框架FWBC-VLA：无传感器估计接触力
研究团队提出FWBC-VLA框架，结合视觉-语言-动作模型与全身控制，通过无传感器扭矩估计器感知接触状态，并在擦白板和开门实验中验证效果。
AI解读：FWBC-VLA要解决的是机器人在执行接触密集任务（如擦白板、推门）时，无法区分作业所需接触力与外界干扰力的问题。现有VLA模型只能根据视觉和语言生成动作，不理解动作带来的物理接触；而全身控制虽能稳定机器人，却判断不了哪些力与任务相关。团队为此提出无传感器方案HSR-Force，利用残差扭矩估计接触强弱和变化，并把接触信息作为token注入VLA模型，让策略能感知接触开始、持续和释放。训练数据是自行采集的WL&Arm Dataset，含5000多条演示。实际效果是，在不加装力/扭矩传感器的情况下，机器人能更好地完成需要精准施力的操作，降低硬件改造成本和集成难度。不过，这套方法目前只在两种实验场景验证，论文尚未正式发表（arXiv预印本），大规模应用和性能数据还需进一步公布。
arXiv预印本论文提出FWBC-VLA框架，用于轮腿式机器人的接触密集移动操作任务（contact-rich loco-manipulation）。研究团队来自多个机构，作者包括Yutian Zhang、Siyuan Ma等人。论文共9页，6幅图，提交于2026年9月3日，目前尚未经过同行评审。
FWBC-VLA的核心创新是引入无传感器残差扭矩估计器HSR-Force，用于推断接触强度及其时间变化，从而在不加装力/扭矩传感器的情况下，使机器人感知接触起始、持续加载和释放。
研究背景与问题
接触密集的移动操作需要在语义动作生成和物理交互控制之间架起桥梁。现有视觉-语言-动作（VLA）模型能从视觉和语言观察中生成任务级动作，但无法解读这些动作引发的物理交互。
全身控制（WBC）策略虽能稳定机器人，但不能区分与任务相关的接触力和操作过程中外部扰动引起的力。力/扭矩传感器虽可提供直接的物理交互测量，但改造安装会增加硬件成本，并带来大量集成工作，尤其是对未预先考虑传感器集成的平台。
FWBC-VLA方法
论文提出FWBC-VLA框架，用于连接任务级VLA动作生成和低层全身补偿控制。框架首先通过HSR-Force估计接触状态，然后将接触估计编码为token，在动作解码时注入VLA动作专家，帮助策略感知接触状态变化。
针对移动操作任务，研究团队在自建的WL&Arm Dataset上对预训练VLA主干的所有参数进行微调，数据集包含超过5000个演示周期（episodes）。
机器人的本体感觉状态、基于雅可比矩阵的机体坐标系力估计以及估计的接触状态会共同输入补偿生成器，产生修正动作。操作中心动作与修正动作结合后传给全身控制策略执行。
实验结果
真实世界实验在擦白板和推门两个任务上进行，门装有闭门器（door closer）。实验结果展示了FWBC-VLA在接触密集移动操作中的有效性。
论文未提供定量误差数据或与其他方法的对比表格，仅以定性方式描述实验效果。