接触丰富型操作任务，如精密装配、螺纹拧紧、线缆插拔，长期以来依赖力觉反馈。人类依靠手感完成这些动作，而机器人则面临一个现实困境：高精度力/力矩传感器价格高昂，大量低成本机械臂不具备力感知能力。卡内基梅隆大学与早稻田大学联合团队提出的FACTR 2框架，尝试用数据驱动的方式填补这一感知空白。

图 1：方法总览

核心技术方案

FACTR2 由 NEXT 力扭矩估计模块与 FIRST 重采样训练方法两部分组成。 NEXT（神经外部扭矩估计）依靠机器人本体电机电流与关节状态，仅采集 10 分钟自由运动数据，经过 1 分钟训练，就可以通过神经网络估算外部关节扭矩，不用加装专用力传感器。这套方案可以还原出接近专用传感器的力信号，支撑力反馈遥操作功能。

FIRST（力感知重采样训练），利用 NEXT 输出的力信号，将演示轨迹划分成自由空间、接触前、接触三个阶段。训练行为克隆策略时，提升接触前与接触阶段样本的采样权重，让模型重点学习对齐、接触交互等容易出错的片段。在五项长时序接触任务测试中，该方法相比以往力感知策略，任务完成度有明显提升。

图 3：FIRST 在五项长时序、强接触交互任务上开展评估。

松灵 Cobot Magic 双臂机器人的项目支撑作用

松灵 Cobot Magic 双臂平台内置 PiPER 机械臂，是 FACTR2 算法验证的重要硬件载体松灵机器人。

• 提供无原生力传感器的实验载体。PiPER 机械臂本身未搭载关节力传感器，契合研究面向普通商用机械臂的研究目标，用来验证 NEXT 算法在低成本硬件上的扭矩估计效果。实验数据显示，PiPER 在自由运动场景，NEXT 估算扭矩误差保持在较低水平，证明这套无传感器力估计算法可以适配该硬件本体。

• 完成真实任务的数据采集与算法验证。Cobot Magic 具备双臂协同能力，多相机感知接口，研究在该硬件上完成乐高组装、皮带装配、插接、工具整理、拧瓶盖五项接触丰富的实操任务，采集 250 组专家演示数据，开展 FIRST 策略训练、评估遥操作用户实验。双臂平台还原了现实生活里的复杂操作场景，完成算法从仿真到真机的落地测试。

• 降低算法复现门槛。Cobot Magic 属于开源科研平台，具备完整的驱动、数据采集工具链，其他科研人员可以复用这套硬件环境，复现 NEXT 力估计、FIRST 重采样训练整套算法，推进无传感器力感知技术的后续迭代。

研究带来的启发

FACTR2 研究证明，借助数据驱动算法，可以在不升级硬件的前提下，让普通机械臂获得力感知能力。松灵 Cobot Magic 这类标准化科研硬件，为算法提供真实物理实验环境，打通算法理论到真机验证的链路。该技术思路，对降低具身机器人的硬件成本，推广接触类机器人操作，具备参考价值。

项目详情：https://jasonjzliu.com/factr2/