论文导读
浙江大学、上海人工智能实验室、清华大学、云深处科技等机构提出FWBC-VLA，让轮腿机器人无需加装力传感器，也能估计接触强度并调整全身动作。系统用5000余条数据训练，在实机上完成擦白板和开启带闭门器的门；验证只覆盖这两类接触任务。
接触任务需要分清任务用力和外界干扰
视觉语言动作模型能根据画面和指令决定“去擦白板”或“把门推开”，却不了解执行时产生的接触力。全身控制器可以维持轮腿机器人平衡，但它看到外力时，很难判断这是工具压住白板的正常负载，还是有人推了机器人。
直接安装六维力传感器能够测量接触，却增加硬件、标定和线缆集成成本。FWBC-VLA改用HSR-Force，从关节残余力矩估计接触强度及其随时间的变化，不要求额外传感器。
图：论文框架图连接无传感器力估计、VLA动作专家、补偿生成器和全身控制。
接触状态同时进入语义动作与补偿控制
估计出的接触被编码成Token，注入VLA动作解码，让策略区分接触开始、持续受力和释放。预训练VLA主干在WL&Arm数据集上全部微调，数据包含5000多个回合。
另一条控制支路读取机器人本体状态、由雅可比矩阵推得的机身坐标系力估计和接触状态，生成纠正动作。任务动作与纠正动作合并后交给全身控制器，既继续擦、推等语义任务，也抵消会破坏平衡的外部扰动。
图：论文数据图展示轮腿底盘与机械臂任务的采集构成。
实机测试覆盖擦白板和阻力开门
团队在真实轮腿机器人上测试两类接触丰富任务：持续压住白板移动擦除，以及推开带闭门器、会持续回弹的门。连续帧展示机器人在接触过程中调整机身与机械臂姿态。
这两项任务分别代表持续表面接触和随开门角度变化的阻力，但范围仍然有限。论文没有证明系统可处理任意材质、工具、门型或突发碰撞，也没有给出消费环境的安全认证。
图：论文实机图展示擦白板和开启带闭门器门的连续动作。
图：论文曲线比较估计接触力与任务阶段，用于观察接触开始、持续和释放。
下一步要把力估计扩展到更多工具
无传感器方案可降低旧平台改造门槛，后续需测试刷洗、抽屉、插拔和双臂协作等方向不同、接触点变化更快的任务。估计器还要在关节磨损、负载变化和地面颠簸下保持校准。
部署时应保留独立安全层：异常力超过阈值时立即减速或停止，不能只依赖VLA解释接触。任务成功率、峰值作用力、机身稳定和误触发次数也应分开报告，避免一个综合分掩盖安全问题。面向家庭和公共空间的测试还要加入儿童、宠物或移动障碍突然进入工作区的停止响应。
