导语：你有没有注意过一个细节？你拧瓶盖的时候，根本不需要看。手指摸到螺纹那一刻，你就知道“对上了没”，力道稍不对，你会本能地调整角度。整个过程，眼睛是多余的——全靠手感。但机器人不行。现在的机器人做这类接触密集的操作，基本就是“盲摸”——眼睛看着大概位置，手伸过去，能不能成功全靠运气。换个角度、换个高度、换个瓶子，成功率直接腰斩。为什么？因为它们缺少一种人类习以为常的能力：在摸到之前，就已经“预判”了接下来会发生什么。

一、视觉神话的裂缝：为什么VLA在“使劲”时掉链子？

过去几年，机器人操作领域最火的方向是VLA（视觉-语言-动作模型）。让机器人“看一眼就知道怎么做”——抓杯子、拿盒子，看起来有模有样。

但一碰到需要持续感知力道变化的任务，这套范式的裂缝就暴露了。

拧瓶盖需要感知螺纹阻力的实时变化；插线缆需要感觉到“卡进了没有”；擦桌子需要控制下压力道。这些任务的共同点是：成功与否不取决于你看到了什么，而取决于你感受到了什么。 光看，根本不够。

有人想到加传感器。在机器人手指上装触觉传感器，就像给人装上皮肤。这条路方向没错，但立刻遇到第二个问题：传感器给了你一帧一帧的数据，你怎么用？

最直接的做法是把触觉数据和视觉“一锅炖”——拼在一起喂给策略网络。结果呢？效果平平。

根本原因在于：力觉和触觉的信息节奏完全不同。 手腕上的力/力矩传感器以120Hz高频采集，反映的是“整体受力趋势”——就像开车时感受到的推背感。手指上的触觉传感器以30Hz采集，捕捉的是“局部接触细节”——就像方向盘传来的路感。一个是宏观，一个是微观；一个是高频，一个是低频。把它们混在一起不加区分，就像让听交响乐的人同时看五线谱——信息量太大，反而抓不住重点。

二、换个思路：让力给触觉“打前站”

来自TARS Robotics、新加坡国立大学、上海交通大学、中科院和复旦大学的研究者，在一篇题为《TacForeSight: Force-Guided Tactile World Model for Contact-Rich Manipulation》的论文中，提出了一个截然不同的思路。

不让力和触觉“并排走”，而是让力先探路，触觉再跟上。

想象你在黑暗中摸索一个门把手。手还没碰到，但手臂已经感受到了运动轨迹的变化——你的大脑会预判：“快碰到了，准备好抓握。”

TacForeSight做的就是类似的事。整套系统分成两步：

第一步：用“力”建一个触觉预言机

手腕力/力矩传感器的120Hz高频数据，被用来训练一个轻量级世界模型——TacForceWM。这个模型只有11.8M参数，用Transformer架构，任务很专一：给定力信号，预测接下来手指会感受到什么样的触觉。

注意，它预测的不是触觉原始图像，而是压缩后的“潜空间”表示。这样计算量小、速度快。就像一个老司机，方向盘还没动，他已经知道车会往哪偏。

第二步：用“预判”指导动作

有了预测的触觉信息，策略网络就不再是“摸到再反应”，而是“还没摸到就准备好了”。

这里有两个精妙的设计：

交叉注意力机制：让当前真实触觉和预测的未来触觉在潜空间里“对话”。机器人同时知道“现在摸到什么”和“接下来会摸到什么”。

自适应视觉-触觉门控：一个可学习的门控机制，动态决定这一刻该更相信眼睛还是手感。有些阶段需要视觉主导（对准位置），有些阶段需要触觉主导（拧入螺纹）。让网络自己学“什么时候听谁的”，比人为规定强得多。

三、真能拧瓶盖了，而且不怕变化

研究者没有只测标准场景。每个任务都加了“扰动”测试——故意改变高度、角度、位置，模拟真实世界中“瓶子没放在同一个地方”的情况。

实验涉及5个典型的“靠手感”任务：

任务	核心难点
花瓶擦拭	持续接触，控制下压力
卡片刷卡	精确角度插入
管路调整+插入	多步骤衔接
灯泡插入+旋转	螺纹对齐
线缆插入	软线穿孔，线缆会变形

结果非常有说服力：

与现有方法的对比，差距是碾压级的：

方法	核心思路	标准场景	扰动场景
DP	纯视觉扩散策略	32%	0%
DP+触觉+力	一锅炖	37%	20%
KineDex	触觉+运动学	33%	2%
FoAR	力+触觉融合	36%	18%
RDP	动力学+触觉	43%	33%
TacForeSight	力预判触觉	79%	87%

一个反直觉的细节尤其值得注意：扰动场景下的平均成功率（86.7%）反而高于标准场景（79%）。

这恰好证明了“手感”的不可替代性。当位置变了，纯视觉方案立刻失效（DP从32%跌到0%），但有力觉预判的方案反而能更好地适应——因为扰动让任务更依赖力反馈而非视觉记忆。环境越不确定，力觉的价值越凸显。

四、拆开看：哪个组件最关键？

论文的消融实验直接回答了“这个系统里到底哪个部分在真正起作用”：

拆掉什么	标准擦拭	扰动擦拭	扰动刷卡
不用力信号	70%	50%	75%
不用预测触觉	65%	15%	15%
不用交叉注意力	100%	65%	0%
不用自适应门控	90%	65%	75%
完整版	100%	85%	90%

“不用预测触觉”的破坏力最大：扰动场景下的擦拭从85%直接跌到15%。这确凿地证实了论文的核心论点——让机器人“提前知道”即将发生什么，远比“摸到了再反应”重要得多。 缺少这个预判能力，整个系统的鲁棒性就崩溃了。

另一个有趣的发现来自“不用力信号”：标准场景下降不多，但扰动场景反而更差。这说明力信号在视觉失效时是最关键的救命稻草。

世界模型预言力：力信号完胜视觉

研究者还做了一个非常直观的对比实验：用不同类型的信号作为世界模型的条件输入，看谁的触觉预测最准确。

条件信号	MSE↓	余弦相似度↑	KL散度↓
无条件	0.027	0.954	0.014
RGB图像	0.025	0.973	0.013
机器人状态	0.022	0.975	0.011
手腕力/力矩	0.017	0.992	0.009

手腕力/力矩信号在所有指标上都碾压了其他条件。这很符合直觉：力的变化最直接地预示着接触状态的变化，比视觉或关节角度都更“即时”。就像你蒙着眼睛用手摸东西，手臂传来的推力感比任何画面都更能告诉你接下来会感受到什么。

五、更大的图景：从“被动应激”到“主动预判”

TacForeSight的核心贡献，不只是“在系统里加了个力传感器”这么简单。

它提出了一种范式转变：从“摸到了→反应”变成“还没摸到→预判→提前准备”。

这个转变看似微小，但意义深远——就像从“被动应激”变成了“主动规划”。在具身智能领域，行业投入了大量精力让模型“看更多、学更多”，但TacForeSight揭示了一条被忽视的路径：让机器人利用已有的高频力信号，在内部构建接触预测能力，而不是等触觉来了再手忙脚乱。

这个思路对自动驾驶也有启发：车上的IMU、轮速传感器、悬架压力——这些“力觉”信号能不能用来预判摄像头即将看到什么？在恶劣天气或传感器故障时，用“手感”代替“视觉”，可能比多装几个摄像头更靠谱。

当然，目前的工作也有边界：训练需要2700个episode的力-触觉交互数据，采集成本对没有合适硬件的小团队是个门槛；只在一种机器人（UFactory xArm7 + Robotiq夹爪）上验证过；传感器绑定特定配置，换了可能需要重新训练。但这些边界恰恰是下一步研究可以突破的方向。

六、结语

当你拧开下一个瓶盖时，可以留意一下——你的手在摸到瓶盖之前，其实就已经“知道”接下来会发生什么了。

这不是玄学。是你手臂上的力感受器提前向大脑发送了信号，大脑提前准备好了抓握策略和力道控制。整个过程中，视觉只是辅助，不是主角。

过去机器人缺的，正是这种“力觉预判”能力。它们要么纯靠视觉硬猜，要么把各种传感器信息混在一起不加区分。TacForeSight的启示是：力觉和触觉不该是平起平坐的伙伴，而应该有力觉做前锋、触觉做主攻。

对机器人来说，学会“摸到之前就准备好”，或许是比学会“看”更重要的一课。

论文信息

• 标题：TacForeSight: Force-Guided Tactile World Model for Contact-Rich Manipulation

• 作者：Yujie Zang, Yuhang Zheng, Xian Nie等

• 机构：TARS Robotics, 新加坡国立大学, 上海交通大学, 中科院, 复旦大学

• 链接：https://arxiv.org/abs/2606.11184