来源：类人实验室

原文链接：https://mp.weixin.qq.com/s/Ae710X63LHcajp00Oo1Nkw

让机器人抓鸡蛋、拿华夫饼而不捏碎，是VLA模型的噩梦。99%的研究者都在堆砌昂贵的触觉传感器，但一篇颠覆性论文说：触觉感知，可以离线学习，上线“盲操”！

在深入技术细节之前，先来看一张趣味漫画，1分钟get论文核心！

一张漫画胜千言——快速把握论文全貌！接下来，我们深入拆解这项让机器人“无手胜有手”的黑科技。

❓ 核心痛点：为什么机器人总把鸡蛋捏碎？

想象一下，你让家用机器人“把鸡蛋放进蛋托”。传统的视觉-语言-动作模型（VLA）看到的是一个光滑的椭圆形物体，它知道要“抓取”，但不知道要用多大力。结果往往是：要么抓不住滑落，要么“咔嚓”一声，蛋壳碎裂。

这就是当前VLA模型的核心痛点：缺乏触觉感知。它们只能通过摄像头“看”世界，却无法理解物体的硬度、材质和可承受的力度。对于易碎的鸡蛋、松软的华夫饼、易变形的果酱瓶，这种“视觉盲操”的成功率惨不忍睹。

现有的解决方案是什么？给机器人手指装上昂贵的视觉-触觉传感器阵列。但这带来了新问题：

1. 1. 成本高昂：高精度传感器价格不菲。
2. 2. 部署困难：传感器与不同机器人夹爪的兼容性差。
3. 3. 可复现性低：限制了开源研究和广泛应用。

那么，能否让机器人像经验丰富的老师傅一样，不用实时“摸着”，也能凭“感觉”知道用多大劲？

HapticVLA的回答是：能！ 它的核心思想是：触觉感知能力可以在训练时“学会”，并在部署时“记住”，从而在推理时摆脱对物理传感器的依赖。

? 你在实际项目中，是否也遇到过因缺乏力感知而导致的操作失败？欢迎在评论区分享你的经历～

? 原理拆解：离线学触觉，上线“盲操”的艺术

HapticVLA的整个流程分为两个紧密耦合的阶段，就像一个“师徒传承”系统：

1. 1. 师父阶段（SA-RWFM）：一位配备了触觉传感器的“老师傅”模型，通过强化学习微调，学会了如何安全、灵巧地操作物体。
2. 2. 徒弟阶段（触觉蒸馏TD）：一个没有触觉传感器的“学徒”模型，通过知识蒸馏，把“老师傅”的触觉感知“内功”学了过来，最终青出于蓝。

? 师父绝学：安全感知的Reward加权流匹配（SA-RWFM）

这是让模型学会“手感”的关键。我们不是简单模仿人类演示，而是用一套精心设计的安全Reward函数来引导模型，告诉它什么是不好的操作（比如力太大）。

第一步：从触觉图解读“手感”
“老师傅”的手指上有高精度触觉阵列（10x10的感应点）。每一步，我们都能得到一张“触觉热力图”。

从这张图上，我们提取几个关键物理量，就像中医的“望闻问切”：

• • 平均力：整体按压力度。
• • 峰值压力：最用力的那个点，容易导致应力集中。
• • 压力集中度：压力分布是否均匀。
• • 压力中心（CoP）：接触点的位置，用来检测物体是否在滑动。

第二步：定义“坏操作”并惩罚
有了这些指标，我们就能定义一个Reward函数 ，专门惩罚不安全的操作模式：

这就好比教徒弟炒菜：火太大（力过大）会焦，火太小（力过小）不熟，只烧锅底一点（压力集中）会糊，颠勺不稳（滑动）菜会洒。 这个Reward函数就是一套完整的“安全操作手册”。

第三步：用Reward加权微调模型
有了每一步的Reward，我们使用Reward加权流匹配（RWFM） 对基础的VLA策略进行微调。核心思想是：在训练批次中，给高Reward（安全成功）的演示样本更高的权重，让模型更多地学习这些“好动作”。

为了防止模型在优化中“跑偏”，忘记最初模仿学习的基本功，论文还加入了锚点正则化（Anchor Regularization），约束模型参数不要离初始值太远。

至此，我们得到了一位功力深厚的“老师傅”模型（SA-RWFM Teacher），它 equipped with 触觉传感器，能完美执行精细操作。

? 这个将触觉安全规则量化为Reward函数的设计，是不是比你想象的更“硬核”？点赞支持，我们继续看更妙的“知识蒸馏”！

? 师徒传承：触觉蒸馏（Tactile Distillation）

“老师傅”虽好，但离不开他那双昂贵的“传感器手套”。我们的目标是培养一个不戴手套也能有同样手感的“徒弟”。

触觉蒸馏（TD） 就是这个神奇的“传功”过程。它分为三步：

1. 1. 师父演示：用训练好的SA-RWFM教师模型，在整个训练数据集上跑一遍推理，生成一系列“触觉感知”的动作序列 。这些动作包含了“何时该轻，何时该重”的隐性知识。
2. 2. 徒弟初始化：学生模型直接继承教师模型除了触觉编码器之外的所有权重。这相当于徒弟继承了师父所有的视觉理解、语言理解和动作生成“心法”，只差“触觉内功”。
3. 3. 混合目标训练：这是最精妙的一步。学生模型不再学习原始的人类演示动作，而是学习一个混合目标：

其中 。这意味着，学生一半学的是真实数据（保证基础动作不跑偏），另一半学的是教师生成的、富含触觉感知的“优化版”动作。

通过这种方式，学生模型从“动作”中反推并内化了产生这些动作所需的“触觉知识”。 在推理时，学生模型只需接收视觉图像、语言指令和关节状态，就能像拥有触觉一样，输出安全、精细的动作。

一个绝妙的类比： 这就像一位盲人按摩师，虽然看不见，但通过长期学习和练习，仅凭按压时肌肉的反馈（对应我们的视觉和状态输入），就能精准掌握力度和位置。HapticVLA的学生模型，就是这位“盲人按摩师”。

? 实验验证：数据不说谎，无传感器照样碾压

光说不练假把式。HapticVLA在三个极具挑战性的真实世界任务上接受了检验：

• • 果酱瓶抓放：塑料瓶易变形。
• • 华夫饼抓放：极其酥脆易碎。
• • 鸡蛋抓放：需要最精确的力度和位姿控制。

? SOTA对比：无手胜有手

作者将HapticVLA与多个强大的VLA Baseline进行对比，包括需要触觉传感器的版本。

结果令人震惊：

• • HapticVLA（无传感器）平均成功率高达86.7%，全面领先。
• • 即使是配备了触觉传感器的原始SmolVLA，性能也远不如HapticVLA。这说明单纯“喂给”模型触觉信号是不够的，SA-RWFM的强化学习微调至关重要。
• • 更大的模型如X-VLA和VLA-0在任务上成功率甚至为0，凸显了接触密集操作的特殊性与高难度。

最颠覆的点在于：HapticVLA（无传感器）的性能，超过了所有需要实时触觉反馈的Baseline。 这意味着，离线学习的“触觉内功”，比在线“摸着石头过河”更有效！

? 消融实验：每个组件都不可或缺

为了验证各个模块的贡献，作者进行了详细的消融实验。

从表1可以清晰看到：

1. 1. 仅有触觉传感器（行1）：性能一般，平均仅53.3%。
2. 2. 加入触觉蒸馏TD（行3）：性能显著提升至73.3%，证明了知识蒸馏的有效性。
3. 3. 结合SA-RWFM与TD（行4，即HapticVLA）：达到峰值性能86.7%。这证明SA-RWFM学到的“高质量触觉知识”，是TD能够成功蒸馏的前提。

⚖️ 客观评价与展望

优势与价值：

1. 1. 开创性范式：首次系统性地证明了触觉感知能力可被蒸馏，为机器人灵巧操作提供了低成本、易部署的新路径。
2. 2. 技术扎实：SA-RWFM Reward设计严谨，蒸馏流程合理，实验充分，开源诚意足（代码、模型、数据全公开）。
3. 3. 实用性强：直接降低了硬件门槛和成本，有助于技术普及。

局限与思考：

1. 1. 对视觉观测质量依赖度高：学生模型的“触觉想象”严重依赖于准确的视觉观测。在遮挡、光线剧烈变化时性能可能下降。
2. 2. 任务泛化性待考：目前仅在有限任务上验证。这套“内功”能否迁移到拧瓶盖、插拔等更复杂的力控任务，需要进一步探索。
3. 3. 仿真到真实的鸿沟：虽然用了仿真数据增强，但复杂接触力学的模拟依然困难，大规模仿真预训练仍是挑战。

未来方向：将这套“离线学习触觉，上线盲操”的范式，与更强大的基础VLM结合，并探索在多指灵巧手、动态非结构化环境中的应用，将是激动人心的方向。

? 价值总结与行动号召

读完本文，你应该掌握了这三个核心收获：

1. 1. 触觉感知可蒸馏：机器人不必实时“摸”，也能通过知识蒸馏拥有“手感”。
2. 2. 安全Reward是指挥棒：通过精细设计的力、压力、滑动惩罚，可以引导模型学会安全操作。
3. 3. 低硬件门槛高精度：HapticVLA用算法创新弥补硬件短板，在抓放易碎物品上达到86.7%的成功率。

这项研究为机器人走入家庭、处理日常物品扫清了一个关键障碍。它告诉我们，有时候，让机器变得更智能，不一定需要更贵的传感器，而是需要更巧妙的算法。

? 深度思考：你认为这项“离线触觉学习”技术，最可能率先在哪个场景落地？是工业分拣易碎品，还是家庭服务机器人？欢迎在评论区留下你的高见！

? 支持原创：如果这篇硬核解读帮你摸清了HapticVLA的门道，点赞+在看就是对我最大的支持！分享给你身边对机器人、AI感兴趣的朋友吧！

? 关注提醒：点击右上角关注，设为星标，第一时间获取最前沿、最深度的AI技术拆解！

#AI技术 #机器人 #触觉感知 #VLA #模型蒸馏 #技术干货 #论文解读

参考

HapticVLA: Contact-Rich Manipulation via Vision-Language-Action Model without Inference-Time Tactile Sensing