不装力传感器，机器人靠预测反推接触力：力控闭环做成了，仍靠腕部力传感器

当接触力不再由力传感器直接给出、只能从动作与本体感受历史加未来预测中反推时，世界模型的预测精度是否跨得过力控的可靠性门槛？目前有证据支撑的答案只能分层给出：表征层的相关性存在，但只是仿真上的 6 个数据点；执行层几乎没有可比实验；时序层存在带宽与延迟的硬上限。而公开文献里最接近闭环的那套系统，力参考与在线反馈仍然取自腕部六轴力/力矩传感器。

一、力控的门槛是具体的数字，而本体感受里只有关节量

力控要的不是"大概读到一个力"，而是精度、带宽、延迟与时序分辨率上的硬指标，这些指标能被一条条数出来。方销插孔任务里销是 38 mm、孔是 40 mm、每侧只剩 1 mm 间隙，插入深度约 50 mm；即使用世界动作模型预测出的力旋量当参考，插销任务的力参考 RMSE 仍有 2.7 N，擦拭 1.3 N，导纳外环跑 20 Hz，而模型单次查询要 0.5–0.6 s CW-WAM。

另一条更便宜的路线直接从电机电流反推。经典广义动量观测器在无传感器外力估计上的平均力 MAE 是 0.66 N，而被当作参照的神经网络方法做到 0.12 N；更要紧的是，无接触工况下经典方法有 33%–59% 的假阳性接触率 NeuralActuator。

力旋量（wrench）指三维力加上三维力矩共六个分量；导纳控制则是按力误差去修正位置或位姿指令的外环结构，通常比关节级内环跑得慢。上面这些数字的口径并不统一，前者是力参考的跟踪误差，后者是末端力的估计误差，不能横向排名，但它们共同说明门槛是具体的、可以被数出来的。FDN 的工作进一步表明，同一份力输出可以被拆成低频趋势与高频残差两个频带分别建模，因此门槛也可以按频带拆开看 FDN。

问题在于，机器人内部信号给出的不是末端的接触力。本体感受指的是电机编码器、关节位置与速度、电流、关节力矩估计这些内部状态量，里面根本没有"接触力"这个读数。从电机侧的努力到末端接触力，中间隔着机构几何。

图注：上图是俯视几何、下图是侧视夹持示意：旋转变速电机驱动两个对称的平移夹爪，每根连杆传出轴向拉力 $T$，它沿夹持方向的分量才等于每个夹爪上的接触力 $F = T\cos\beta$。这正是"电机那一侧的努力"和"末端接触力"的差距所在，两者之间隔着机构几何，不是同一个量。NeuralActuator

所以请把两个层次分清楚：关节力矩估计和末端接触力或力旋量估计不是一回事，它们处在链条的不同位置。去掉力传感器不是少一个零件，而是整条信息链上少了一环，末端接触力必须被反推出来，而它反推得准不准，取决于它前面的每一环。

二、不用力传感器感知接触有三条路，各自的输入决定了它们在哪一步失效

不用力传感器也能知道"在用力"，靠的是三条互不等价的路线：传感器直接测量、基于动力学与观测器的反推、基于未来预测的反推。三者的差别不在于方法新旧，而在于各自吃什么信号、以及在链条的哪一步最先失效。

"接触力反推"最完整的定义是：只从本体感受与 IMU 数据出发，任务无关地推断全身接触的时刻、位置与力旋量，也就是回答四个问题，是否发生了非足部接触、接触在哪里、什么时候发生、施加了多大的力旋量 SixthSense。

图注：先训一个抗接触的控制策略，再用它的 rollout 训练条件流匹配模型，输出机器人离散表面上的全身外部接触力旋量场。接触被建成时空稀疏的概率掩码加逐子区域的六维力旋量场，同时回答是否接触、在哪、何时、多大这四个问题。SixthSense

这条路线的关键设计是把"没接触"当成一个必须显式建模的类别，而不是"力估计恰好接近零"。它的边界也要说清：该工作的真机验证只有定性描述与稀疏场可视化，没有量化精度表；摘要里列出的碰撞检测与力反馈遥操作，正文只兑现了物理人机交互一项。

第二条路线更激进，它连力都不估。Current as Touch 从关节位置历史与原始电机电流直接学出一个柔顺参考位姿，交给标准 PD 控制器执行，力由 PD 的位姿误差自然产生。参考位姿压得太深会把易碎物压坏，离当前位姿太近又会打滑 Current as Touch。

图注：位置型链路。遥操作模式下输入是机器人状态、原始电机电流与用户意图速度，策略学习模式下把意图换成任务级物体或目标位姿，模型输出的是柔顺参考位姿，最终由标准 PD 控制器用位姿误差产生交互力矩。Current as Touch

代价是结构性的信息损失：它拿不到接触发生的时刻与位置，拿不到力旋量，也没有可解释的牛顿量纲输出，因此做不了碰撞检测或力反馈遥操作。

第三条路线把估计值编码成 token 注入策略。FWBC-VLA 用一条 200 Hz 的无传感器残余力矩估计链，把接触强度及其时间趋势编码成力 token，经 cross-attention 注入 VLA 的动作专家，同一条估计链还驱动一个全身补偿的侧支 FWBC-VLA。

图注：一份交互表示、两条闭环。估计器把本体感受状态变成因果交互表示后分成两支：一支经 cross-attention 注入 VLA 动作专家用于动作生成，另一支经 Jacobian 投影成机体系负载代理，驱动任务相关的身体补偿。FWBC-VLA

三条路线并列起来看，差别一目了然：

这张表要提醒的是，把"力传感器直接测量"和"动力学模型反推"的误差来源混为一谈是常见误解：前者的问题主要是传感器噪声与漂移，后者的问题主要是模型误差、摩擦与热效应、载荷变化。两条路各坏各的。

三、世界动作模型能把"动作的后果"学进表征，而力不在它的学习目标里

这一轮世界动作模型的进步，发生在"能不能生成一份好的未来表征"这一层，它没有任何一个学习目标是要把力学进去。世界动作模型指的是把预测性世界表征与可执行动作生成耦合起来的模型，或者联合预测未来状态与动作，或者先预测未来、再经逆动力学接口推断动作 WAM Survey。

FRED 这条线把这个用法说得最明确。它把视频扩散骨干重新解释为一个未来表征生成器，从纯噪声一次前向取出中间隐状态 $h = f_\theta(\varepsilon \mid o_t, c)$，动作解码器直接条件在这份表征上；训练时用一个动量教师，对轻度加噪的真实未来帧产生目标表征，学生则从纯噪声出发去预测它，逐 patch 的 KL 损失配上教师 logits 的均值中心化与更低的锐化温度来防止表征坍塌 FRED。

图注：上下两栏的对照是全部机制的关键。上栏的学生从历史帧、纯噪声与文本条件出表征 $h$，经 stop-grad 送进动作解码器；下栏的动量教师看的是同一段历史加一个加噪的真实未来，输出目标表征 $h^\tau$。两个投影头各自的分布之间以自蒸馏损失相连，动作损失不通过 stop-grad 回传视频骨干。FRED

需要当场标注一条边界：这篇工作全文没有出现 force、torque、wrench 这些词，它不涉及力估计、力控与触觉。它证明的是"动作的后果可以被学进表征"，不是"力可以被反推出来"。

反面约束来自 DirectWAM。把视频与动作两条流都粗暴截断成一步，做法看起来省了迭代去噪，成功率却明显塌下来，RoboTwin 上从 91.6% 掉到 57.6% DirectWAM。这说明迭代去噪里确实有必须保留下来的东西。

图注：三段式对照。(a) 段说明固定上下文下换不同的视频噪声，得到的动作轨迹几乎重叠；(b) 段把迭代教师、朴素步数截断与视频空间监督三种模式的 RoboTwin 成功率并排摆出，图中标 91.6 / 57.6 / 78.2，DirectWAM 为 85.44%；(c) 段是它的两阶段训练结构。图中数字是通用操作任务成功率，与力控无关。DirectWAM

四、从电流到接触力这条链，断在执行器、时序和接触语义三个地方

把力从电流里反推出来不是"算得准不准"一个维度的问题。链条上有三处互相独立的断点，任何一处出错，末端接触力就不可信。

第一处断在硬件与执行器层。低成本伺服平台上常见的 $\tau = K_t \cdot I$ 这条线性近似会因为齿轮箱摩擦、滞回、间隙、电流饱和与热漂移而失真，论文甚至在逐关节拟合 $K_t$ 时得出过负斜率；这些时变效应难以解析建模，失真的误差会直接污染由它反推的接触力 NeuralActuator。NeuralActuator 的做法是不去拟合这条线性关系，而用一个共享 Transformer 主干从指令位姿、努力信号、遥测与跟踪误差里学出一个力矩代理，同时顺带给出一个带接触概率门的外力感知头。

图注：共享 Transformer 主干接出多个输出头，包括力矩代理、外力估计与逐马达条件向量；力矩代理作为可微仿真的广义控制输入驱动状态前进，仿真状态与真实位姿之间的梯度回传构成训练回路。图中明确省略了单独实现的接触概率门，所以"把无接触当成零力"恰恰是它要防的错误。NeuralActuator

第二处断在信息与时序层。基于模型的观测器本质上就是低通滤波器，带宽受信噪比限制；数据驱动的估计器则受谱偏误影响，会优先拟合低频分量。FDN 的应对是把同一个输出拆成两个频带分别建模，低频趋势用点式回归出确定性输出，高频残差用条件分布建模，再把两路相加 FDN。

图注：五路本体感受输入（相对位置、关节速度、关节加速度、驱动信号、初始位置）先经频率增强滤波，再通过各自的模态专属编码器并做通道混合，得到的潜在表示分成趋势头与残差头两路，最后相加得到力旋量估计。FDN

这里有一条最容易读错的口径：该工作报告的"高频幅值误差最多降低 47%"是估计器层面高频幅值误差相对基线的下降，不是力控性能提升；"约 8%"则是另一个迁移实验里的低频误差改善。两者不同实验、不同频带、不同对照，不能混用，更不能写成力控成功率提升 FDN。

第三处断在接触语义层。接触是时空稀疏的事件流，无接触必须被显式建模成一个类别，而不是让力估计"恰好输出接近零"。这条已在上一章用 SixthSense 的掩码门控加一致性、稀疏性先验讲过，这里不重复机制，只保留结论 SixthSense。

这三处互相独立，所以"估计器把力算得准"这句话单独说出来没有意义，必须指明在哪一层、在哪个频带、在什么延迟下。

五、预测出来的力旋量已经能进力控回路，只是那一环仍靠腕部力传感器实测

两条线已经合流过：世界动作模型的输出空间被扩成视频、运动与力旋量三路联合预测，预测出的力旋量可以直接当成控制参考量交给导纳外环。CW-WAM 把 wrench 与视频、运动并列预测，用成对因果注意力让每个未来力旋量能看到与它配对的未来动作以及更早的配对，再用一段定长的长时力旋量记忆保留载荷张力与持续阻力；输出的是时间对齐的 motion–wrench chunk，这才是它能当控制参考量的前提 CW-WAM。

图注：输入侧是 RGB 观测、语言指令、机器人状态与历史动作–力旋量，经各自的编码器变成 token；中央用带配对因果掩码的注意力与定长长时力旋量记忆，输出视频潜变量、运动与力旋量三路，由各自的预测头联合去噪。CW-WAM

控制侧是慢–快结构：预测的力旋量当力参考，20 Hz 的导纳外环修正基座系位姿，再交给 1 kHz 的关节阻抗控制器跟踪；配上导纳反馈后，插销任务的力参考 RMSE 从 4.8 N 降到 2.7 N，擦拭从 2.0 N 降到 1.3 N CW-WAM。

图注：擦拭、插销、适配器三个任务的实测力幅值曲线按接触阶段对齐，六个 arm 与演示中位数对照。不同 arm 的区别不在"有没有力"，而在低力区间是否被压缩、峰值是否贴近演示中位数；图上的 Excess force、Large peaks 是任务特性标注，不是方法缺陷的定论。CW-WAM

这里必须当场标注边界：这套系统的交互历史与在线导纳反馈都用腕部六轴力/力矩传感器实测，采样 150 Hz、经 10 Hz 低通。去掉这个传感器，它的两个关键环节同时失效，论文也没有做去传感器的消融。还要看清归因：从完全没有力旋量输入输出的 WAM 基线到完整系统，插销成功率从 25% 抬到 70%、适配器从 40% 抬到 95%，但相对"已经拿到池化力旋量历史、只是结构简单"的 WAM+Wrench，插销只从 8/20 到 14/20；适配器任务上 CW-WAM 的力参考 RMSE 甚至高于 WAM+Wrench。力跟踪更准和任务成功更多不是同一件事。

真正无传感器的那一侧也有一个合流实例。FWBC-VLA 把残余力矩估计编码成 token 注入动作专家、并驱动补偿侧支，估计值与对照组使用真实力传感器时的分阶段成功率接近，但它的任务域是擦拭与开门这类轮腿平台上的 loco-manipulation，不覆盖精密小间隙装配 FWBC-VLA。

六、回答门槛问题要分三层看：表征层有关联、执行层几乎空白、时序层有硬上限

"世界模型的预测精度够不够力控"不能一句话回答，因为证据分布在三个互不替代的层次上。

表征层确实存在关联。在 RoboCasa Kitchen 仿真上以同一个 base WAM 比较 6 个变体，任务成功率与"从噪声一步生成的未来表征质量"强相关，r = 0.89；与"观测到的未来视频表征质量"中度相关，r = 0.49；与"单步视频生成质量"只弱相关，r = 0.24 FRED。

图注：三张并排散点共享同一个纵轴，也就是任务成功率。从左到右横轴依次是单步视频生成质量、干净未来表征质量、从噪声一步生成的未来表征质量，相关系数分别为 0.24、0.49、0.89，只有第三张的上斜趋势线由离群点撑起。这三张图说明控制性能跟的是表征而不是像素。FRED

但这条关联必须限定：它只有 6 个数据点，论文没报显著性检验，而且只在仿真上成立；它本身不含任何力或力矩量，因此不能读成"所以可以力控"。

执行层几乎是空白。一份综述统计了 2017–2026 年间 160 个经网页核验的基准，其中 138 个是模型无关的，只有 11 个也就是 7% 搭了显式的 VLA 与世界模型对比，只有 4 个真正把预测转成执行动作，而这 4 个都没有在同一协议下按能力正面对比两族策略 EvalBench。

图注:160 个基准中只有 4 个真正把预测转成动作执行

时序层有硬上限，而且存在两种互不替代的延迟。世界模型侧压缩的是推理延迟，DirectWAM 把完整迭代教师的 5042 ms 压到 180 ms DirectWAM；估计器侧的延迟则是通信延迟导致的估计过期，FDN 用多步超前把它消掉 FDN。把这两个数字并排，正说明"预测精度"与"可用于力控的时序分辨率"是两个不同问题。需要说明，这是本专题的并置推论，两篇论文并不互相引用。

作为对照，如果允许直接测量触觉，现在能到什么水平：一套装了视触觉传感器的机器人方案在仿真八任务上平均 81.5%、五个真实机器人任务 71.0%、适度规模预训练后 85.0% TacDyn-WAM。

图注：视觉专家与隐式触觉动力学专家构成一个异构世界模型，只读的触觉理解记忆以键值方式接入，经块级因果联合注意力输出未来视觉潜变量、未来触觉动力学与动作块。这套方案预测的是接触动力学而不是重建触觉像素，图上没有任何力或力矩节点。TacDyn-WAM

这组数字全部来自装了视触觉传感器的机器人，既不是无传感器路线的成绩，也不是力控精度或带宽指标，它测的是接触几何与形变，引用时不能把它和力控误差并列排名。

把三层合起来，哪些任务最容易失败也就浮出来了：快接触与高频力，因为低通特性挡住了高频；每侧 1 mm 量级的精密小间隙装配，因为力参考 RMSE 仍在牛顿量级；外观相同但负载不同的搬运，因为载荷变化会改变动力学。方向上，最新的路线主张已经把"世界如何响应动作"列为目标，并逐字把占据、流、触觉、本体感受列为尚待接地的物理表征，但这是方向性陈述，没有任何实验验证 PrismWAM。更早的一份世界动作模型综述的开放挑战清单只覆盖到 2026 年 9 月，且正文零次出现 force、torque、wrench WAM Survey。

到 2026 年 10 月，"无传感器的世界动作模型力控闭环"这个命题既没有正例，也没有量化的负例。它是否成立，取决于表征层的相关性会不会在执行层被证实，也取决于时序层的带宽与延迟能不能被跨过。

参考文献

本专题引用的核心资料如下，建议深入学习时阅读原文：

1. Self-Distilling Future Video Representations for World Action Models (FRED) — arXiv:2610.30320
2. CW-WAM: A Structured Contact-Wrench World Action Model for Force-Sensitive Manipulation — arXiv:2610.30117
3. De-Diffusing WAMs: Action-Sufficient Direct Prediction for Robot Control (DirectWAM) — arXiv:2610.28122
4. PrismWAM: Decoupling State Representations in World Action Models — arXiv:2610.26564
5. TacDyn-WAM: Learning Implicit Tactile Dynamics in a Heterogeneous Visuo-Tactile World Action Model — arXiv:2610.00638
6. World-Action Models for Robot Learning and Control: A Survey — arXiv:2609.16074
7. FWBC-VLA: Force-Aware Whole-Body Compensation for Contact-Rich Loco-Manipulation — arXiv:2609.03889
8. Do World Models Make Better Robots? A Survey of Evaluation Benchmarks for Predictive Embodied Intelligence — arXiv:2609.29669
9. NeuralActuator: Neural Actuation Modeling for Robot Dynamics and External Force Perception — arXiv:2607.11734
10. Current as Touch: Proprioceptive Contact Feedback for Compliant Dexterous Manipulation — arXiv:2607.03529
11. SixthSense: Task-Agnostic Proprioception-Only Whole-Body Wrench Estimation for Humanoids — arXiv:2605.01427
12. Frequency-aware decomposition learning for sensorless wrench estimation in vibration-rich robotic contact (FDN) — arXiv:2604.12905