BloomBloom
发起研究

递盒子给人不简单：人拉到 3.8 N 也不等于要接

想象这样一个画面：人形机器人 ergoCub 用双手把一个纸盒递到你面前。你的手指碰到了盒面，下意识地往回拉了一下——只用了 0.2 秒、3.8 牛顿的力。机器人没松手。你又拉了一下，幅度和第一次几乎一样，机器人还是没松手。1.5 秒后你第三次拉，这次你下决心要拿走了，机器人这才把盒子放开。

3.8 牛顿是什么概念？大约是把一罐可乐从桌面上平端起来用的力。这个力度被现代工业机器人手臂当作"已接触"和"真要拿走"的分界并不奇怪——但这是错的。人在 0.2 秒内短暂拉到 3.8 N 和在 1.5 秒内持续拉到 3.8 N，在力幅值上没有任何区别，机器人拿到的力信号完全一样。区别只在于时间。而这正是 2026 年 9 月 arXiv 上挂出的一篇论文想要拆开的问题：Marra 等人的 Temporal Tactile Encoding and Compliance for Intent-Aware Robot-to-Human Bimanual Handover（arXiv:2609.05282）。它把机器人给人递物这件事重新定义成一道"用时序触觉证据判定意图、再用顺应该反射让接触变软"的协同问题，并提出两个新组件协同解决。

视觉能看、瞬时触觉能摸，但都不足以回答"人是不是要接"

开头那两次短暂拉到 3.8 N 和最后一次持续 1.5 秒拉到 3.8 N，力幅值完全一样。要回答"机器人为什么不应该一拉就放"，得先回看人在同样场景里是怎么分工的。把视角先退回到人-人交接的常识里。两个人递一支笔，一个人先伸手去接，另一个人看到手碰到了笔就开始松手。这个"看到就松"看上去天经地义，但行为学综述把它拆成了四个阶段，并给出了一组很硬的数据：交接的核心转移阶段，在 90 克的笔上持续约 500 毫秒，在 1.8 公斤的物体上持续约 640 毫秒。给的人什么时候开始松手？实验结果是"由视觉前馈触发、由触觉反馈微调"——给的人不是等手接触稳了才松，是看到手靠近就提前开始松，松到一半触觉信号到位再精修一下。Kopnarski 等人 2023 年在 Frontiers in Psychology 上的系统综述把这套分工总结为一句被广泛引用的话："haptics used exclusively for monitoring"（在正常视觉下，触觉只用于监控）。意思是，只要人看得见，触觉在交接里只做反馈校验，不做触发。

Kopnarski 2023 综述里的四阶段符号示意图：蓝色实线/虚线为给出者，红色实线/虚线为接收者，A/B/C 三个时间点划分出 reach and grasp、object transport、object transfer、end of handover 四个阶段。给出者的抓握力曲线比接收者更早开始下降——这是视觉前馈触发释放的视觉证据。

图注：Kopnarski 等人 2023 年系统综述里给出的四阶段示意图。横轴是时间，纵轴是相对量级；蓝色实线/虚线为给出者的运动学/动力学轨迹，红色为接收者。A、B、C 三个事件分别标记四个阶段的边界：抓握与提起、运送到交接点、建立抓握并完成转移、交接结束。图里给出者抓握力曲线比接收者更早开始下降——这是"释放由视觉前馈触发"最直观的视觉证据。（Kopnarski 2023）

这套人-人先验给机器人设计埋了一个直接的约束：只要机器人"看得到"，理论上它也能像人一样在视觉层前馈触发释放。但机器人在真实场景里做不到——它的相机可能被自己的手、被接收者的手、被物体本身挡住；接收者伸手的速度、角度差异也远比人与人之间混乱。综述里甚至把"接收者一侧的规划是研究空白"明文写了出来。所以"看不到"这件事在机器人侧是一个常态，而不是例外。

那把触觉拉进来能不能补上？看瞬时力幅值？回到开头那个 3.8 牛顿的画面。机器人手指尖的力传感器在 0.2 秒的短暂拉拽和 1.5 秒的持续拉拽之间，采到的瞬时力值在峰值上一模一样。如果策略只看"力幅值超阈值就松手"，第一次拉拽就会触发误释放——盒子掉地。

这就是论文 arXiv:2609.05282 要拆的核心矛盾：视觉不可靠、瞬时触觉也不可靠，必须把"近一秒的触觉历史"作为时序证据喂给决策。

论文里 P1 全系统在 hold-expected 试验 T5 的一次完整行为：抓握后，被试两次短暂拉拽峰值都达到 3.8 N（与最终真拉的峰值相等），机器人持续保持抓握；持续 ~1.5 秒后触发释放。时序图显示力先出现两次窄峰（短暂拉拽），然后是一段持续输出（真拉）；手部距离仅在最终真拉后才开始增大。

图注：P1（TTE+顺应该的全系统）在 hold-expected 试验 T5 里的完整行为序列。左侧 4 张第一人称视角：抓握 → 第一次短暂拉拽 → 第二次短暂拉拽 → 持续拉拽后机器人释放。右侧两张时序图：力曲线先出现两个 0.2 秒的窄峰（3.8 N，与最终真拉峰值相等），然后才出现持续 1.5 秒的力输出；手部距离仅在最后那次持续拉拽后才开始增大。面部已打码。这是"力幅值不是释放信号"的最直接证据。（arXiv:2609.05282）

同期还有人在走"纯视觉姿态对齐"那条路

在拆解锚论文怎么解之前，先把研究坐标放一下。在 2026 年同一时期，机器人-人交接领域不是只有一条路线。同期被 RO-MAN 2026 接收的 Biagi 等人的 Adaptive vs. Static Robot-to-Human Handover（arXiv:2604.22378）走的是完全不同的方向：它认为传统机器人-人交接的痛点不在"什么时候松手"，而在"递过去的姿态跟人手对不上"，于是用 MediaPipe Hands 估计 2D 手腕关键点、用 FrankMocap 重建手部姿态、用 Pinocchio IK 解算出与接收手 + 下游任务对齐的物体交接位姿，路径用 cubic Bézier 加五阶 jerk-limited 时间律来保证可预测性。 MediaPipe

Biagi 等人 2026 论文里给出的概念对照：左是传统静态交接（机器人沿固定路径接近，物体方向与接收者期望不匹配）；右是自适应交接（机器人沿曲线接近，物体姿态根据接收手 + 下游任务调整，杯子把手朝用户）。

图注：Biagi 等人 2026 论文里"自适应 vs 静态"的概念对照。左图是传统静态交接：机器人沿固定直线接近，物体方向与接收者期望的握法不匹配。右图是自适应交接：机器人沿曲线接近，物体姿态根据用户手姿态与下游任务调整（杯子把手朝用户方向）。这张图不含任何评估数据，纯概念示意。（Biagi 2026）

两个工作对照鲜明。Biagi 这条路线在做的事，本质上是用更聪明的视觉把"递过去"做对；它不需要触觉，没有独立的低层反射层。而锚论文做的是另一件事：用触觉的时序证据判定"什么时候松"，并用独立的顺应该层让人接触时机器人让步。两条路线解决的是交接里两个不同的子问题。Ortenzi 等人 2021 年在 IEEE Transactions on Robotics 上的综述 Object Handovers: A Review for Robotics（arXiv:2007.12952）把交接切成 pre-handover 与 physical exchange 两阶段。Biagi 路线重点在 pre-handover 的"怎么递"，锚论文重点在 physical exchange 的"怎么松"。 Object Handovers

系统怎么搭：ergoCub、Xela 指尖、VLA 策略

锚论文的实验平台是 ergoCub，意大利技术研究院（IIT）Humanoid Sensing and Perception 实验室自己研发的人形机器人。这台机器人上半身由头、躯干、双臂构成，论文里只用上半身做研究：把一个纸盒用双手对称抓在胸前，等待人来接。 IIT

触觉传感由指尖的 Xela 触觉传感器完成。每只手四根手指上各贴一枚（拇指在交接中不接触物体所以被排除），每枚传感器含 7 个磁性触觉元（taxel），每个 taxel 可以独立测 3 轴力。原始采样率约 70 赫兹。论文里没有用原始 taxel 信号，而是先用每指一个独立训练的回归器（用 Omega.3 末端装 3D 打印球形压头采集标定数据，回归到 3 轴接触力）把 7 个 taxel 折成 3 维力，所以每根手指给出 3 维力、双手合计 2 手 × 4 指 × 3 轴 = 24 维的瞬时力向量。整套数据流如下：

锚论文的系统总览：相机 + Xela 指尖力 + 关节状态 → Meta Quest 3 遥操（采集示范时用）或 GR00T + TTE（推理时用）→ 头部朝向 R_h 与双手 Cartesian 参考 P_r, P_l → 顺应该模块（Eq. 4）→ 上半身逆运动学控制器 → 关节参考。

图注：锚论文 arXiv:2609.05282 的系统总览。自左向右：相机、Xela 指尖力、关节状态三路观测 → 训练时走 Meta Quest 3 遥操接口、推理时走 GR00T + TTE 的 VLA 策略 → 输出头部朝向 R_h 与左右手 Cartesian 参考 P_r, P_l → 顺应该模块按 Eq. 4 把它转成 compliant reference P_{r,c}, P_{l,c} → 上半身逆运动学控制器算出躯干与双臂关节参考 → 关节参考送进机器人。论文 fig_pipeline。注意这张图是把整套栈作为整体看到；后两节会分别把视线聚焦到 TTE 模块（GR00T 块）和 compliance 模块（Eq. 4 块）。（arXiv:2609.05282）

理解这张图有两个关键。

第一是双手交接相对单臂交接的新维度。论文不只"多一只手"，而是要协调两只手共同维持物体姿态（盒子不能歪），并且允许任一臂先被释放——对称性带来更复杂的策略选择。所以 24 维触觉里每只手的 12 维是独立的输入，VLA 策略要同时读两侧。 π0

第二是 VLA backbone 的位置。论文选的是 NVIDIA Isaac GR00T-N1.5-3B，任务 prompt 写死成 "Get the box and pass it to human"。这是一个典型的 vision-language-action 模型，prompt 是文字指令、视觉是 egocentric RGB、本体是关节状态。论文用 8 名被试 × 50 次示范 ≈ 5 万帧/条件的后训练数据 fine-tune 这个 backbone。模型每步预测 16 个 Cartesian 目标动作（双手 + 头），对应 1.6 秒预测 horizon；执行前 8 个动作后再 query 一次——这就是 action chunking。推理频率 10 赫兹。

到这里为止系统还是"一个 VLA 控制一个双臂人形机器人"，看起来没什么特别。特别的部分是接下来两个新组件。

第一个新组件：把近一秒的触觉历史压成 24 维向量

第一个新组件叫 Temporal Tactile Encoding，论文里简称 TTE。它的任务是把"近一秒的触觉历史"压成一个 24 维向量，让 VLA 在做松手决策时拿得到时间维度上的证据，而不是只能看到瞬时力。 TTE

输入张量形状是 (64, 2, 12)：64 个时间步、2 只手、每手 12 维（4 指 × 3 轴力）。64 步 × 约 70 赫兹 = 约 0.9 秒，正好覆盖人短暂拉拽到持续拉拽的整个过渡区间。结构上是一个 flatten 后接全连接层的 encoder，把这个张量压到 24 维。这个 24 维的维度数不是巧合——它正好等于双手瞬时力的 24 维，意味着 TTE 输出来之后，VLA 看到的状态向量在维度上跟没装 TTE 的版本完全一样，可以直接替换。

编码器单独预训练完之后被冻结，不参与 VLA 的微调。预训练用的是 frozen autoencoder，三个损失加权组合：重建损失 L_rec（权重 0.25）+ 力方向损失 L_dir（权重 2）+ 增量方向损失 L_Δdir（权重 1）。其中 L_dir 只保留目标力幅值超过 0.2 牛顿的样本，L_Δdir 则只保留目标力差幅值超过 0.2 牛顿的样本（共同避免近零向量方向无意义），两者均在去归一化的力空间上用 cosine 距离度量。增量方向的时间间隔 d = 8 个采样点（按约 70 赫兹推算约 0.11 秒）。三个损失一起逼着 24 维 embedding 既要保住原始信号的几何（重建）、又要对"力朝哪里"敏感（方向）、还要对"力朝哪里变化"敏感（增量方向）——后两个尤其关键，因为"持续拉拽"和"短暂误触"在方向时序上的区别，正是 0.9 秒里力的方向是不是稳定在某个方向上的问题。

为了把"把时序信息喂进去到底值不值"这件事量化，论文在 Stage 1 做了一个干净的消融。在一个包含摇晃、轻触、反向推力等干扰的 Challenging Test Set（10 个 episode、3,776 帧，训练时没见过的数据）上，固定其他所有东西（架构、数据、训练步数都一样），只把"瞬时力"和"TTE"两种触觉表征各训了一个 policy。结果是：瞬时力 policy 把 inter-hand distance 跨过 0.35 米释放阈值的次数有 51 次，TTE policy 只有 3 次。瞬时力 policy 在 hold 阶段出现 4 次持续超过 1.5 秒的虚假释放，TTE policy 一次都没有。这是这篇论文最干净的一组数字证据：把"时序"喂进去，瞬态接触导致的误释放就几乎消失。

值得停一下，看同实验室做触觉的另一篇工作。同一作者组的 Caddeo、Marra、Natale 2026 年的 Physically Grounded 3D Generative Reconstruction（arXiv:2604.09100，ECCV 2026 相关版本） 把多接触触觉喂进 Structure-VAE + flow matching 做手遮挡下的 3D 几何重建——触觉在他们的前作里是"几何约束"（让预测的物体表面必须穿过触觉接触点），不是"时序证据"。

Caddeo 等人 2026 ECCV 论文的 Structure-VAE + flow transformer 架构图：上排是 a1/a2/a3 三个训练阶段，下排是 Flow Transformer 的双流条件结构（图像证据流 + 融合了手与触觉的潜变量流）。触觉在这里是 per-frame 的几何约束。

图注：Caddeo 等人 2026 年 ECCV 论文 Figure 2 的训练流程与架构。横排 a1/a2/a3 是 Structure-VAE 预训练、latent 数据集构建、带遮挡场景微调三个阶段；下排是 Flow Transformer 架构，分出图像证据条件流与融合了手 + 触觉潜变量的条件流。触觉输入是 binary contact + distance-to-contact 的二通道体积，作为几何约束接到解码器上。这张图与锚论文的 TTE 路径形成"触觉作为几何约束 vs 触觉作为时序证据"的对照。两篇工作都使用多接触指尖触觉作为输入，但 ref-002 论文主文中并未明确给出真实实验所用的具体指尖传感器型号，硬件载体是否完全相同无法仅据现有本地证据确认；用法不同这一对比是有依据的——前者把触觉当作几何约束，后者把触觉当作时序证据。（Caddeo 2026）

回头看锚论文的同一张系统总览，视线现在聚焦到 GR00T + TTE 那个块：

同上一张锚论文系统总览图，这次把视线聚焦到 GR00T + TTE 块——TTE 把 0.9 秒触觉历史压成 24 维 embedding，与 RGB、关节状态一起送进 VLA，由 VLA 决定松不松手。

图注：与上节同一张系统总览图。这次请把视线聚焦到 "GR00T + TTE" 那个虚线框：RGB 与关节状态走主干，TTE 在 GR00T 之外独立把 0.9 秒的触觉历史压成 24 维 embedding 喂进来，作为意图判定的时序证据。VLA 主干本身保持 10 赫兹的推理频率。

触觉的物理来源没变（Xela、4 指、3 轴力），但用法从"几何"演化到"时序"——同一实验室把触觉这条路往深推了一层。

最后简说一下 VLA backbone 的范式。GR00T-N1.5-3B 不是凭空冒出来的，它属于当下 vision-language-action 模型的一条主流路线：用大语言模型/视觉-语言模型做语义与常识、用独立权重的 action expert 处理机器人状态和动作、用 conditional flow matching（而非自回归离散化）输出连续动作分块。Physical Intelligence 团队的 π0 论文（arXiv:2410.24164，RSS 2025）是这条范式最有代表性的设计模板。

π0 的 overview：左是预训练数据混合（自有数据 + OXE/Bridge/DROID + 语言标注），中是 flow matching VLA = PaliGemma VLM backbone + 独立 action expert，右是跨机器人应用。

图注：π0 论文的 overview figure。左侧是预训练数据混合（自有灵巧操作数据集 + OXE / Bridge / DROID 等开源数据 + 语言标注），中间是 flow matching VLA = PaliGemma 视觉-语言模型主干 + 独立权重的 action expert，右侧是跨机器人应用。锚论文用的不是 π0 而是 GR00T-N1.5-3B。π0 论文展示了 VLM + 独立 action expert + flow matching + 动作分块的范式；锚论文只明确使用 GR00T-N1.5-3B、16 步动作分块和 10 赫兹推理频率，GR00T 内部是否采用同样组件未披露，因此不能直接把两者的范式等同起来。（Black 2025）

为什么要把 VLA 提一句？因为读者会问：VLA 不是端到端的吗？为什么还要单独搞一个触觉编码器？ 答案是：TTE 作为一个独立的 24 维 embedding 塞进状态向量，等价于给 VLA 提供一个"已经看完过去 0.9 秒"的触觉时序特征——而策略原本的状态输入里并没有这一段历史。至于 GR00T-N1.5-3B 主干自身是否已经含某种时序记忆，论文没有披露，所以这一组件的贡献必须严格按"额外把 0.9 秒历史作为状态特征提供给策略"来读，不能说 VLA "没有机制记忆触觉流"。这是论文里第一个"靠时序"的组件。

第二个新组件：顺应该控制器——为什么必须独立于 VLA

但光决定"松不松"还不够。即使 TTE 给了 VLA 完美的意图判定，机器人把人接走的那一刻还是会发生力的瞬变——人手指接触盒面、VLA 输出某个手部位置轨迹、真实物理接口发生冲击。这个"被接触时的顺滑度"问题，论文选择不靠 VLA 来解，而是单独挂一个低层反射层，叫顺应该控制器（compliance controller）。

回到 Hogan 1985 年那篇 Impedance Control: An Approach to Manipulation Part I 的奠基性论证：Hogan 在 ASME 期刊上证明——操纵器与环境的物理接触功率 dW = F·dX 既不是 0 也不是可忽略，仅控制位置或仅控制力都不足以调节这种动态相互作用，必须控制二者之间的一个关系。更进一步，由于环境通常是 admittance（给定力，产生运动），操纵器在物理上必须是 impedance（给定运动，产生力），二者因果互补。 Impedance Control

Hogan 1985 论文 Fig. 5：阻抗控制机的最小必要结构。顶部的水平主键表示虚拟 flow source V_0(t) 串接 1-junction、0-junction 通向环境导纳 Y；两条垂直支路分别接 Z_n（非节点阻抗，1-junction 耦合）和 Z_o（节点阻抗，0-junction 耦合）。左侧虚线框为环境导纳，右侧实线框为受控操纵器。

图注：Hogan 1985 论文 Fig. 5——阻抗控制机的最小必要结构。顶部主键从右侧虚拟 flow source V_0(t) 经 0-junction 接到环境导纳 Y；两条垂直支路分别连到 Z_n（非节点阻抗，1-junction 耦合，代表工作空间约束）和 Z_o（节点阻抗，0-junction 耦合，端点位移可任意而不改本构）。图上明确划分出"环境是 admittance"（左侧虚线框）和"操纵器是 impedance"（右侧实线框）。这张图给出的核心结论是：阻抗与导纳是因果互补的物理形态，操纵器物理上必须是 impedance；Norton 等效网络支持任务级阻抗叠加——这是"为什么顺应该层必须独立于 VLA 位置指令"的最直接理论锚。（Hogan 1985）

锚论文 Eq. 4 给出了具体形式：

$$K_p (P_{h,c} - P_h) + K_d (\dot{P}{h,c} - \dot{P}h) = \sum{i=0..4} F{hi}$$

其中 h ∈ {l, r} 代表左右手，P_h 是当前手部 Cartesian 位姿，P_{h,c} 是 compliant reference，K_p = 50、K_d = 40 是标量增益，右边是五指指尖力的合力。前文实际接入控制器的是每只手四根手指上的 Xela 输入，也就是四指各 3 轴力组成的 12 维向量；拇指在交接中不接触物体，因此被排除。式中的“五指”是合力写法中的通用记号，并不表示本实验另有拇指力信号进入控制器。直觉是这样：人手接触 → 指尖合力不再为零 → 推动 compliant reference P_{h,c} 向接触方向外移 → 机器人沿外力方向“让步”——人在接走物体的过程中，机器人不是僵在原地等拉扯，而是顺着人的力软过去。

这层与 VLA 解耦。VLA 每 0.1 秒（10 赫兹）更新一次手部目标位置；论文未报告顺应该层的运行频率。重要的是，它在架构职责上与 10 赫兹 VLA 解耦，负责把 VLA 给的 P_h 转成 compliant reference P_{h,c}，从而在接触发生时根据力反馈调整参考。换句话说，VLA 决定“手要往哪去”，顺应该决定“被人推的时候怎么软”。

再回头看那张系统总览图，视线聚焦到 compliance 模块：

同上一张锚论文系统总览图，这次把视线聚焦到 compliance 模块（Eq. 4）——VLA 给出的 P_r, P_l 在这里被转成 compliant reference P_{r,c}, P_{l,c}。

图注：与前两节同一张系统总览图。这次请把视线聚焦到 "compliance module" 那个方块：VLA（或遥操）给的手部 Cartesian 参考 P_r, P_l 在这里按 Eq. 4 被即时改写成 compliant reference P_{r,c}, P_{l,c}，再送到上半身逆运动学控制器。顺应该层是低层反射，与 10 赫兹的 VLA 解耦——它把"决定松不松的智能"和"接触瞬间的物理顺滑度"分成两个时间尺度。

把两个组件拼起来看：TTE 让 VLA 拿到意图判定的时序证据，complementary 顺应该让人接触瞬间冲击力降到最低。两者不是同一个问题的两面，而是不同时间尺度上的解法。

300 次真实交接的胜负

论文的实验设计是：10 名被试（5 女 5 男，与示范采集的 8 名被试不重叠）× 3 个策略 × 10 个 trial = 300 次真实人机交接。trial 协议分两类：5 个 R（release-expected，期待释放）+ 5 个 H（hold-expected，期待保持抓握），覆盖标准交接、二次交接、弱拉/慢拉、人后退后机器人跟随再拉、错误方向连续力、机器人弯腰后保持、短瞬态拉、冲击式拉等多种场景。释放阈值 T_r = 2.8 秒（取自训练示范统计的 μ + 2σ，μ = 1.33 秒、σ = 0.75 秒，给慢速被试留余量）。

三个策略的对照是 P1 = TTE + 顺应该（完整系统）、P2 = 仅顺应该（无 TTE 增强的触觉历史，用瞬时力）、P3 = 仅 TTE（无顺应该，硬阻抗）。结果如下（Table I）：

指标P1（TTE + 顺应该）P2（仅顺应该）P3（仅 TTE）
成功率 ↑93%54%82%
释放延迟中位数 ↓1.70 s2.35 s2.00 s
峰值拉取力 ↓4.07 N4.67 N4.74 N
1-7 Likert 整体满意度 ↑6.23.34.7
被试把它排第一的比例9/101/100/10
被试评它为最安全的比例10/100/100/10

成功率的细粒度分布把"为什么必须两个都有"这件事讲得更明白：

锚论文 fig_bytrial：P1/P2/P3 在 10 个 trial 类型（T1-T10，R 组期待释放、H 组期待保持）上的细粒度成功率。P1 在多数 trial 上接近 100%；P2 在 hold-expected 试验上系统性坍塌——T4 仅 10%、T7 仅 30%；P3 在 hold-expected 上比 P2 好得多但峰值力与延迟都不如 P1。

图注：P1/P2/P3 在 10 种 trial 类型上的细粒度成功率。R 组（T1、T2、T3、T8、T10）期待释放，H 组（T4、T5、T6、T7、T9）期待保持抓握。P1 在大多数 trial 上接近 100%，只在 T6（80%）、T9（60%）、T10（90%）上偏低。P2 在 hold-expected 试验上系统性坍塌：T4 仅 10%、T7 仅 30%；这一现象与作者给出的一种解释一致——纯顺应该会让机器人手部产生微小位移，该位移带来的力反馈可能被"瞬时力即意图"的策略误读成"人在拉"，进而导致误释放；该解释属于作者论述，图本身只直接证明"无 TTE 时 hold-expected 场景显著更易误释放"这一现象。P3 在 hold-expected 上比 P2 好得多，说明 TTE 是 release 决策的主要驱动；但峰值力、延迟与主观顺滑度都逊于 P1，证明顺应该对物理顺滑度不可替代。T9 是最难 trial（冲击式拉拽，峰值力与正常取物相当但持续时间短，是瞬态接触干扰在用户研究中的对应场景）。（arXiv:2609.05282）

把这张图和 Table I 放一起读，结论很清楚：两个组件是互补而非可替代。

TTE 的核心贡献是 release 决策的鲁棒性。可直接从图中读出的硬事实是：P2（无 TTE，仅顺应该）在 hold-expected 试验上系统性坍塌（T4 仅 10%、T7 仅 30%），而 P3（加 TTE）在同一组 hold-expected 上的成功率立刻回到正常水平。换言之，无 TTE 的策略在 hold-expected 场景显著更易误释放——这是 TTE 必要性最直接的证据。至于"为什么会坍塌"：作者给出的一种解释是顺应该本身会让机器人手部产生微小位移，其力反馈被"瞬时力即意图"的策略误读成"人在拉"，进而导致误释放；这一自运动误读的因果链与作者所述一致，但属于作者的解读，图中数字本身只支持"加 TTE 能把 hold-expected 误释放拉回正常水平"这一现象。

顺应该的核心贡献是物理交互的顺滑度。P3 没有顺应该，TTE 把松手决策做对了，但松手过程中人和机器人之间是"硬碰硬"的拉拽——峰值拉取力 4.74 牛、释放延迟 2.00 秒。被试的反馈最直接：在 1-7 Likert 上 P1 的"distinguished accidental contact from deliberate taking"（区分误触和真取）6.2 vs P3 5.9 差距不大，但"smoothness"（顺滑度）P1 6.2 vs P3 3.2 几乎翻倍，证实顺应该对物理体验的贡献是 TTE 替代不了的。

主观评价侧还有一组共识数据：9 名被试把 P1 排第一，10 名被试（全部）把 P1 评最安全。唯一把 P2 排第一的被试在自由评论里写"偏好 P2 的顺滑感胜于 P1 的可靠性"——但 P2 成功率只有 54%，意味着它顺滑的代价是大量误释放。

还差什么：论文自己也承认的边界

把节奏放慢一点，把数字再核一遍，再看一下论文自承的不确定项。

样本量与统计功效。N = 10 无 p 值检验，论文给出"9/10 排第一"和"10/10 评最安全"这种共识数字但没有做显著性测试。对于"93% 成功率 vs 54%"这么大的差距，差距在描述上很大，但没有正式检验，稳健性仍需更多被试确认。读者应当把"主观偏好 P1"读作强共识而非统计显著。

物体与抓取类型泛化。所有实验都是 box + 对称双指抓握，论文在 Conclusion 自承。换成不规则物体、换成单手/三指抓握，TTE 的 24 维输入与 0.9 秒窗口是不是还合适，没有验证。

频率耦合。触觉 70 赫兹，VLA 推理 10 赫兹，TTE 窗口 0.9 秒（64 步 × 70 赫兹）。如果换更高频或更低频的触觉传感器，TTE 输入张量的步数与窗口长度需要重新调整——不是一个换硬件就能直接跑的模块。

代码与数据。原文写"Code and data will be released upon acceptance."截至 2026-09-08 论文 v1 提交，仓库 URL 尚未公开。这意味着其他研究者目前无法复现实验、无法跑消融、无法换 VLA backbone 看 TTE 是不是仍然有效。

VLA backbone 内部细节。GR00T-N1.5-3B 是否含独立的 action expert、是否走 flow matching，论文只说"post-train from its released checkpoint"，未明示。这不影响论文的核心结论（TTE + 顺应该比两者各缺一时显著更好），但影响"换个 VLA 是不是 TTE 仍然 work"的判断。

Challenging Test Set 标注规则。Stage 1 消融里那个 10 episode / 3,776 帧的测试集，论文只说"包含摇晃、轻触、反向推力等干扰"，未给标注流程。读者无法独立构造等价的测试集来验证 51× vs 3× 的数字。

把这些不确定项放在一起读，论文的判断是清晰的：它是一个完整的进展、不是答案。它在"N=10 + box + 对称抓握 + 70 赫兹触觉 + GR00T + 顺应该"这一组条件下把"瞬时力 ≠ 释放信号"这件事用两个工程组件解决掉了，下一步要往"更多物体 + 更多抓取类型 + 更多被试 + 多模态评估"推。Biagi 2026 用的"NASA-TLX + 眨眼率 + Human-Robot Trust Scale"多模态评估思路，可能就是这种下一阶段的方向。

最后的判断

把目光放回开头那个 3.8 牛顿的画面。短暂拉到 3.8 牛不松手、持续 1.5 秒才松——这件事在 2026 年 9 月之前，机器人做不到；在 9 月之后，ergoCub 在本文这一组条件下做到了。

在 10 名被试、单一纸盒物体、双手对称双指抓握、Xela 触觉 70 赫兹、GR00T-N1.5-3B 作为 VLA 主干、Eq. 4 作为顺应该反射层的这一组实验边界内，这篇论文做的事是把"松手时机"和"接触瞬间的顺滑度"联合处理：TTE 把 0.9 秒触觉历史作为时序证据喂给 VLA，由 VLA 决定何时松手；顺应该作为独立的低层反射，把 VLA 给的位置参考按指尖合力即时改写成 compliant reference，让人在接触时机器人物理上能软过去。两者不在同一个时间尺度上，也不在同一层职责上，缺一个，失败模式就变掉：去掉 TTE，hold-expected 试验系统性坍塌（T4 仅 10%、T7 仅 30%）；去掉顺应该，峰值拉取力和主观顺滑度立刻变差。300 次真实交接和两个干净消融共同支撑了"两者各自不可被对方替代"这个判断。

但这个判断的边界要在收尾时一并交代清楚：93% 的成功率、1.70 秒的释放延迟、4.07 N 的峰值力、6.2 的 Likert 满意度，都是在 box + 对称抓握 + N=10 的样本里跑出来的，换到不规则物体、单手或三指抓握、其他 VLA backbone、更高/更低频率的触觉传感器，都还没有验证；论文代码与数据截至 v1 提交尚未释出。论文自己写的 Conclusion 也是这个口径：它是一个完整进展、不是答案。

想深入可以读原文：Temporal Tactile Encoding and Compliance for Intent-Aware Robot-to-Human Bimanual Handover — arXiv:2609.05282

参考文献

递盒子给人不简单：人拉到 3.8 N 也不等于要接