Figure 03：机器人爬上了梯子，却不知道手有没有抓稳

一段爬梯视频的卡顿，凭什么说明它还没法上工？

2026 年 8 月 1 日，Figure AI 创始人 Brett Adcock 发布了一段视频：Figure 03 爬上一架梯子，配文称机器人“现在可以爬梯了，完全自主”（F.03 can now climb a ladder, fully autonomous，这句是各家媒体对原帖的转述，原帖本身没有公开读到）。视频很快被当作里程碑转发。但如果你把注意力从“爬上去”这个结果移开，盯着过程看，会发现另一件事：机器人每一步都在停。本文要追问的是：它能否确认每一次接触承力。也就是在松开上一只手、上一只脚之前，它是否真的知道，新的那只手、那只脚已经接住了身体。接下来要读的场景细节、报道口径和技术自述，都不是现成的答案，而是围绕这个问题的待验证证据。

先把难度说准确，别把这段演示夸张成垂直工业梯。它实际是一架三阶的 ladder-stair（楼梯式梯子），带固定扶手，架在地面和平台之间（heise 描述为通往平台的短梯）。在工厂仓库场景里，这类短梯正是夹层工位之间常见的上下通道——这是真实的工位需求，不是赛博杂技。场景尺度对本章的追问是一份关键证据：梯子不难、扶手就在手边、每一步都有明确的支撑点，难度解释不了“每一步都在停”。既然不是难度问题，停顿的指向就只剩一个：接触验证。

德国媒体 heise 的现场观察把停顿的内容写了出来：机器人“反复分析周围环境以寻找抓握点”，然后才把自己缓缓拉上去。反复找抓点提示的，正是本章要验证的那个问题：每一次换支撑组合之前，系统都得重新确认“下一步该抓哪里”；而真正可靠的系统，要确认“抓上之后是否承力”，才敢松开上一个支撑点。同一篇报道还补了一句让许多转发都含糊跳过的话：反向就不行了（does not work in reverse），也就是说，目前没有公开证据表明它下得来。下梯同样依赖对每一步接触的确认，这与爬梯的停顿指向同一个问题。需要说明，这两句都只有 heise 一家报道提及，没有对照实验。

看一帧画面。

图注：Figure 03 攀爬模式（Figure AI 视频截图，heise 转载）。画面里只有下半身：右脚踏在较高一级、左脚踩在较低一级，双膝弯曲，身体正处在即将把重心交给下一级梯级的瞬间。上半身被裁出画面，所以这张图不能用来推断头部姿态或任何相机配置。heise

这里还要交代一个口径问题：多数媒体按配文把这次爬梯当作“完全自主”转述，但也有分析帖指出，更早一条相关推文用的其实是“接近完全自主”，而且那条素材是长约两小时的楼梯延时摄影。两种读法目前都拿不到原帖核实，本文按“有待核实”处理。口径对本章的追问不是形式问题：如果这段素材经过剪辑，那“每一步都在停”就没有证据效力，接触验证这个问题的证据要全部另找。Figure 自述（经媒体整理）的 Helix 三层架构里，底层还有一个 1 kHz 的学习式平衡与接触控制器；这条自述若是真的，等于公司声称有一个高频接触层在兜底，与视频里反复找抓点的行为放在一起，构成的是一个待核实的矛盾，而不是现成的答案。它同样未经独立验证。

于是问题浮出来了：为什么一台声称用 1 kHz 接触层兜底的机器人，会在每一级梯级前停下来“分析环境”？最朴素的解释是：它不“知道”自己这只手、这只脚此刻是不是真的承着力。我们把这件事叫做接触可观测性（contact observability）：机器人能不能闭环确认每一次接触是否可靠，确认了才敢松开上一个支撑点。卡顿与反复找抓点提示了这一待验证问题，不能仅凭视频定论。这段视频能确认的只有“它确实在停”，至于停下来是因为验证失败还是别的机制，需要更多证据。

顺手补一层业内判断。Agility Robotics 的 Chris Paxton 在评价 Figure 03 平台本身时说过两句常被引用的话：一是它的走路视频“历史上一直是盲走的”（historically blind），用的仍是 fairly standard 的 MPC 步态；二是掌心相机和触觉“对落点没有帮助”，落点定位最后还是全靠头部。要注意，这两句评价针对的是 Figure 03 的发布，不是这次爬梯视频本身，但方向一致：这个平台对“接触是否承力”的确认能力，一直是最弱的一环。heisePaxton

所以，弄明白它为什么“不知道”，等于回答“看得见梯子”和“知道抓稳了”之间到底差着什么。这就是下一章要拆的机制。

爬梯时“看得见梯子”，为什么不等于“知道抓稳了”？

爬梯不是普通双脚步态。平地走路时，支撑脚在身体正下方，视野基本无遮挡；爬梯时至少两三个肢体同时承力，手抓住横杆、脚踩住梯级，重心在狭小的高度区间里移动，每换一个支撑组合，都要先确认新的接触点可靠。这类问题在机器人学里叫多接触运动规划（multi-contact motion planning）：手脚同时承力，规划的是接触序列，而不是两只脚的落点序列。

那么，怎么判断“新的接触点可靠”？答案是分两步，而且这两步用的传感器完全不是一回事。

第一步是视觉。相机负责提出候选：告诉系统“那里有一根可以抓的梯级，大概在那个位置”。第二步是验证。力传感器、触觉、本体感觉（proprioception，也就是关节角度和身体姿态这些内部状态）负责回答“我的手真的抓到了、真的承着力了吗”。只有验证通过，系统才被允许释放手上的这个接触点，把重心交给新的组合。一句话：视觉只告诉你“哪里可以抓”，验证才告诉你“抓稳了没有”。

人在黑暗中上梯子也是这个流程，只是快得感觉不到：眼睛给“大概的位置”，脚底传来的压力和触感才是“踩实了”的确认。机器人比人慢，慢的原因恰恰是它的验证通道比人弱。为了看清楚它的验证通道是怎么组织的，先看一张抽象层面的地图。

图注：人形机器人运动与操作（HML）综述以“Humanoid Loco-manipulation”为中心画出的领域路线图：触觉感知（III）、多接触规划（IV）、模型预测控制（V）、全身控制（VI）、技能学习（VII）、基础模型（VIII）六大模块。注意 III 指向 IV 的那条标着 Contact Feedback 的箭头：接触反馈从触觉模块流向规划模块，这正是“接触可观测性”在整个领域坐标系里的落点。HML 综述

但问题在于，视觉这一半在爬梯时经常处于“看不见”状态。机器人低头认路时，自己的躯干会挡住脚下的梯级；梯架结构本身又会挡住后面的梯级。自遮挡（self-occlusion）和梯架遮挡合在一起，切断的正是“重新观察”这半边闭环。所以真正可靠的验证，必须由非视觉通道来承担。而触觉正是整个领域公认欠开发的那个通道：2025 年的人形运动与操作综述把它列为独立于视觉的待补模态，规划侧对它的使用还停留在接触反馈这条接口上。HML 综述

这套“视觉提候选、力/触觉做验证、验证后才放行”的分工，在真实系统里确实是两层分开落地。看 TACT 的双层架构图。

图注：TACT 的双层控制系统：上层蓝色块是学习式操作策略，输入触觉（τ）、图像（I）和关节位置（q），输出上半身末端位姿指令，也就是“候选”；下层灰色块是模型式的 retargeting 与步行控制，用接触力等反馈把“是否承力”接进既有平衡闭环，也就是“验证”。触觉在这里不是多出来的传感器，而是一条验证通道。TACT

你可能会说：这套“验证后才放行”不是早就有了吗？确实。2016 年 HRP-2 的爬梯系统里就有一个有限状态机（FSM, finite state machine），把爬梯拆成加接触、去接触、移重心、抓手等子任务，每一个状态转移都卡着力、位置、速度的阈值，接触没确认，下一步就不放行。

图注：这是 HRP-2 爬梯 FSM 的流程图。圆角矩形是状态，每个箭头是一次状态转移，背后都是一道力、位置、速度的阈值检查：接触确认不了，动作就停在这里。这是“验证后才放行”的看门狗式设计，比许多当代方案更严格。HRP-2

但注意差别：HRP-2 的验证只有单通道，一道力阈值，而且前提是梯子模型已知、接触点预期位置已知。几何一旦和预期对不上，阈值就失灵。多通道验证和单通道阈值之间，隔着一整条接触可观测性的鸿沟。下一章我们就看，“把接触算进规划”这件事 2014 年就做到了教科书级别，为什么梯子还是爬不上去。

十年前就把“接触”算进了规划闭环，为什么还会卡死在梯子上？

把接触的物理稳定性直接写进规划，这是多接触运动规划最正统的做法，2014 到 2016 年的两个代表工作把它做到了教科书级别。

先看硬件系统更完整的 HRP-2（2016 年发表于 Autonomous Robots）。它的系统分三层：离线规划器 MCP（multi-contact planner）先生成接触姿态序列；FSM 把序列切成子任务；最底层是一个多目标二次规划（QP, quadratic program）控制器，每个控制周期解一个优化问题，同时满足五类硬约束：关节扭矩不超限、接触点不滑动、关节速度不超限、关节角度不出范围、不碰障碍。摩擦锥在这里被离散化进优化变量，动态平衡直接由关节加速度承载，中位解算时间约 1 毫秒。

图注：HRP-2 总体架构：橙色框是多接触规划器，蓝色框是爬梯 FSM，粉色框是多目标 QP 控制器，输出接触力、关节加速度和扭矩。注意图中两条虚线反馈（任务误差、重规划）：论文明确说视觉伺服这类“感知侧”模块尚未集成，系统靠的是模型驱动。HRP-2

三个概念用人话落地。摩擦锥（friction cone）：脚底或手指与接触面之间的防滑楔形范围，接触力的合力方向一旦偏出锥外，这个接触点就会滑。支撑多边形（support polygon）：几个接触点围出的稳定区域，质心的竖直投影一旦走出这个区域，静态平衡就不成立。力矩余量（torque margin）：离翻倒还差多少，余量越小越危险。这三个概念在当年的论文里就长成下面这个样子。

图注：DRC-Hubo 论文里的接触建模：(a) 手部抓握的特写，每个手指接触点带着一个摩擦锥；(b) 脚部落足，接触区域四角各一个摩擦锥；(c) 两手两足同时支撑的完整姿态。所谓稳定性验算，就是检查所有接触力的合力能否落在各自的锥内，这就是“力矩余量”的几何直觉。DRC-Hubo

所以“把接触算进规划”，十年前就做完了：摩擦、力矩、碰撞、贴合规约全在闭环里。那为什么还会卡死？因为这套路线有个要命的前提：模型已知。梯子几何已知、接触点预期位置已知、机器人动力学模型已知。前提一旦被一个小误差打破，闭环不是平滑吸收误差，而是整机停摆。HRP-2 论文自己报告了两个最典型的现场，都是这个病。

第一，完全自主配置下，机器人只爬到两阶和第三阶之间就卡住了。左臂和左腿完全伸直，右膝抵住第三根梯级，FSM 里“手部触达并施加设定推力”的那个转移条件（论文编号 t19）始终无法满足，于是手指不能合拢，下一步不放行。注意守护条件在这里如实报出了“未满足”，系统也确实严严实实地停住了，看门狗在报错这件事上是称职的；真正缺席的是报错之后的路径：运动学上够不着的情况下，如何重新感知、重新规划、恢复动作，论文没有展示任何机制。卡死不在守护失效，而在守护之外没有恢复。

第二，另一次实验中，膝盖护盖被梯级卡住，关节扭矩瞬间超限，触发了电机保护停机。论文自己的总结是：FSM 应该用带守护的方式监控所有动作，避免扭矩超限后只能走激进停机这种恢复路径。一次小小的抓握误差，直接变成整机断电，而不是被平滑吸收，这就是“算进规划”与“知道接触”的区别所在。HRP-2

DRC-Hubo（2014 年 ICRA）站在同一边。它用手部 8 个点接触加摩擦锥建模接触可行性，公布了真实容差：手指张开度约 ±5 厘米、梯级间距约 ±2 厘米，再大就滑。但论文的结论同样坦诚：用视觉或触觉反馈来检测并修正更大的执行误差，被明确列为 future work。等于作者自己承认，这套系统只在“小误差”范围内闭环，大误差没有一个感知回路在管。DRC-Hubo

同一时期还有一条执行层补丁。Kanazawa 等（2015 年 IROS）用 IMU 加关节角做姿态估计，位置误差压在 9 毫米以内，再把“脚滑了、手握不紧”翻译成下一次落足的位置补偿，梯到平台的过渡处能把 12 毫米的滑脚压回 2.5 毫米。但看清它修补的是什么：它修补的是接触之后的残差，前提依然是参考接触点已知。视野被遮挡时连参考位置都没有，这条补丁无从谈起。Kanazawa 2015

所以 2014 年的答案是“把接触稳定性算进规划”，不是“让机器人知道接触”。“看不见、验证不了、不敢放”这条链，2014 年就卡在同一个位置：算得再准，也替代不了“知道自己抓稳了”。视觉和触觉的缺口，论文作者自己写在了 future work 里。十年过去，轮到学习式路线来补这个缺口了。

LadderMan 把细梯级看清了，“接触验证”就这么补上了吗？

时间快进到 2026 年。这十年学界的一种补法是“把感知补强”。LadderMan（arXiv:2606.05873，CoRL 2026 投稿）是这条路线的最新代表：不换任何硬件，一台 1.3 米、29 自由度的 Unitree G1，用深度相机加学习式策略，在三种真实梯子上爬出了大部分成功率。

先理解为什么在梯子上“看清”如此关键。梯级是离散的细窄结构，LadderMan 的真实梯子里，梯级的窄边多数只有 8 厘米左右的量级（A/B 为 8 cm，C 为 20 cm）。平地上落脚偏 2 厘米，只是步态里一次普通扰动，平滑的步态控制器可以吸收；在梯子上偏 2 厘米，脚可能只搭上半边，甚至整个踩空。深度相机哪怕只有一点点误差或标定偏差，在经过“梯级边缘”这条几何判决线时，会被直接放大成一次踩空或抓空。这就是细梯级上的几何误差放大：不能靠步态平滑吸收，只能靠感知把它压下去。

LadderMan 用两个手段压误差。一是把原始深度换成深度基础模型 Fast FoundationStereo 的增强深度，这是一种 stereo 视觉基础模型（vision foundation model，VFM），用来压制传感器噪声；二是梯级聚焦掩码（rung-focused masking，RFM）：训练时以 10% 的概率把画面里非梯级的区域遮掉，强迫策略只盯着细梯级结构，用来压制“扶手、支撑梁这类几何在仿真里建不全”的结构性差距。

图注：同一根梯级上的三种深度并排对照：仿真深度、真实原始深度、VFM 增强后的深度，下方是 RFM 梯级聚焦掩码的示意。论文把仿真到真实的感知差距拆成无结构噪声和有结构差距两类，分别用 VFM 和 RFM 对付。LadderMan

数据的说服力很强，而且是三张梯子逐次试验的：完整方案在梯 A（倾角 65.5°）、B（69.2°）、C（64.8°）上各 10 次试验，成功率分别是 9/6/7；去掉 RFM，三张梯全部 0/10；去掉 VFM，变成 3/0/2。梯级聚焦掩码比深度基础模型更关键，两个都不能省。跨梯型的分布也公开了：在 24 到 28 厘米间距、55 到 65 度倾角的“日常区间”，仿真成功率超过 95%；评估空间边界附近掉到约 57%。速度上每级约 3.4 秒，与两位人类受试者的平均约 3.2 秒相当（注意只是两位受试者，不是人类平均水平）。LadderMan

图注：(a) LadderMan 与盲走 motion tracking baseline 在不同倾角和梯级间距网格上的成功率对照：日常区间高，边界快速滑落；(b) 仿真（上）与真实（下）梯子的代表性几何。这张图就是“感知补位做到什么程度”的实证底座。LadderMan

到这里，LadderMan 把视觉候选这一半补得很完整。但回到我们这一路的追问：它补上“接触验证”了吗？论文自己在结论和局限里写了三条边界，逐条对照。

第一，主要在 75 度以内的斜梯上评估，不覆盖垂直梯。垂直梯需要更大接触力、更紧的稳定余量，可能是另一套策略。第二，确认承力的信号仍然是本体感觉加任务终止条件（“所需的梯级接触连续丢失超过 30 帧”就判失败），系统里没有任何力/力矩传感器或分布式触觉去逐次验证接触是否真正承力。第三，没有 dexterous（灵巧）末端，梯上做操作的能力受限。LadderMan

翻译一下：它补强的是视觉候选，让“看清细梯级”成了可靠输入；而接触验证这一半，仍主要依赖本体感觉和失效终止条件，没有力/力矩传感器或分布式触觉这类直接力/触觉通道，去做多通道的逐次承力验证。和 2014 年相比，实质变化落在感知候选这一侧，验证通道依旧单薄；原来“看不见”的问题，被往前推成了“看得清，却依然验证不了承力”。同一时期、同一台 G1 硬件栈上的楼梯工作可以作一句话旁证：把台阶高度、台阶深度、偏航角三个显式几何量直接条件化进 PPO 策略，楼梯盲走成功率从 52% 抬到 96%，说明“显式几何比隐式表达稳”；但那是楼梯，不是梯子，而且同样没有回答接触验证。StairGeometry

所以，2026 年最强的学习式方案补强了视觉候选，接触验证却仍主要依赖本体感觉和失效终止，缺少直接力/触觉的多通道逐次承力验证。感知补位不等于接触可观测性闭环。那么，什么样的方案才算把闭环补上了？我们该拿什么标准去判断一个爬梯 demo 离量产还有多远？这是最后一章。

量产前该看的不是登顶视频，而是遮挡与失联下的接触验证与恢复

收口之前，先给“接触验证”一个更精确的框架。2026 年 7 月发表的腿足接触综述（Jia 等，Artificial Intelligence Review）把这个问题重写了一遍：接触不是“看得见看不见”的视觉问题，而是多通道证据问题。它把接触证据分成三个通道：

三个通道分别喂给三类控制器目标：F1 接触事件与模式（触地、离地，粘滞、滑动），只有确认了事件才允许释放上一个支撑点；F2 已实现的交互状态（接触力、压力中心），这是摩擦锥和支撑多边形判据的实际输入；F3 带不确定性的可行包络更新，也就是“带着当前的不确定性，什么动作还能做、什么动作有风险”。综述把每一次落脚重新定义为一次贝叶斯更新：每踩一根梯级，不是“踩上去了”，而是“对‘这根梯级承力’的判断更新了一次”。视野被遮挡、视觉证据消失，而力与触觉又不充分时，正确的行为不是继续往上够，而是进入恢复模式。这就是“量产前该看的不是登顶而是恢复”的理论版本。Jia et al. 2026

把 Figure 03 的 demo 放进这个框架，缺什么就一目了然。多家独立媒体（heise、RobotsBeat、eWeek 等）对这次演示的一致质疑是同一串清单：没有公布跨多次尝试的成功率；没有公布反向动作和下梯，heise 更直接指出“反向就不行”；没有带工具作业；没有测试条件。反过来看 LadderMan：跨梯型成功率网格、逐项 ablation、明确的局限声明，一样不缺。前者是 demo 级披露，只有一段视频；后者是实验室级披露，证据链摊开在纸上。一家要量产的公司，如果连实验室级披露都给不出来，它与“可交付任务”的差距，就不是再剪一段更顺的视频能抹平的。LadderMan

再看硬件取舍。加大颈部自由度、加腕部相机、铺分布式触觉皮肤，理论上都能提升可观测性，但每一样都有代价：多一个关节就多一份标定负担，多一个相机就多一路标定和算力，触觉皮肤本身还带着空间标定和单元力换算的工程成本。Paxton 对 Figure 03 的硬件点评戳中了要害：掌心相机和自研触觉的组合，对“抓得稳”帮助很大，但对“放得准”没有帮助，落点定位最后还是全靠头部。换句话说，它们改善的是 grip（握持），不是 placement（落点），而爬梯卡住的恰恰是后者。Paxton

图注：Paxton 引用的 Figure 官方图：灵巧手抓橙球、用指尖捏起鸡蛋、夹住扑克牌。这展示的是“抓得稳”（grip）。爬梯卡住的问题是“放得准”（placement），掌心相机和触觉改善前者，不改善后者。Paxton

最后，怎么量化“一个 demo 离量产多远”？Jia 等综述用七层验证成熟度给证据分级：真实环境实地部署、受控真实机器人实验、台架实验、仿真、离线、概念提案、相邻领域启发。LadderMan 的真实世界试验与逐项 ablation 属于第二层（受控真实机器人实验），其仿真跨梯型成功率网格属于第四层（高保真仿真）；至于 Figure 03，仅凭公开视频，公开证据不足以按受控真实机器人实验的标准判断其成功率、边界与恢复能力，披露未提供足以分级的证据。而量产需要的第一层证据，恰好就是全文反复说的那几项：跨梯型成功率、接触失效后的恢复行为、下梯、顶端过渡、带工具作业。垂直梯（约 80 度以上）上的学习式成功率、下梯与反向运动的对照实验、带工具作业时“爬梯加操作”耦合下的可观测性、触觉皮肤在梯子任务上的直接验证，目前都还没有公开数据。

回到开头的画面。

图注：另一个视角下的 Figure 03：右手抓住平台立柱，右腿弯曲踩在钢梯上，左腿悬在下方，整个身体处在手脚同时承力的多接触姿态里。这套机器人已经把身体送上了梯子，剩下的问题是，它知不知道每一步都承得住力。RobotsBeat

登顶只是起点。判断一个爬梯 demo 离量产有多远，不看它爬得多顺，看它敢不敢公布遮挡、失联、下梯、带工具作业下的成功率与恢复行为。把身体送上梯子从来不是瓶颈；瓶颈是每一次松开手之前，它能不能确认这只手、这只脚真的承着力。

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. LadderMan: Learning Humanoid Perceptive Ladder Climbing — arXiv:2606.05873
2. Robust Ladder-Climbing with a Humanoid Robot with Application to the DARPA Robotics Challenge（DRC-Hubo） — ICRA 2014 PDF
3. Multi-contact Vertical Ladder Climbing with an HRP-2 Humanoid — Autonomous Robots 2016 PDF
4. Robust Vertical Ladder Climbing and Transitioning between Ladder and Catwalk for Humanoid Robots — IROS 2015 PDF
5. Humanoid Locomotion and Manipulation: Current Progress and Challenges — arXiv:2501.02116
6. Whole-body Multi-contact Motion Control for Humanoid Robots Based on Distributed Tactile Sensors（RA-L 2024） — arXiv:2505.19580；TACT（RA-L 2025） — arXiv:2506.15146
7. Figure 03 Humanoid Robot Climbs Ladder Autonomously（heise 报道） — heise
8. Thoughts on Figure 03（Chris Paxton, It Can Think! Substack） — Substack
9. The Value of Contact in Legged Locomotion: A Survey of Sensing Channels, Artificial Intelligence and Control — Springer
10. Explicit Stair Geometry Conditioning for Robust Humanoid Locomotion — arXiv:2605.09944