把一本书插进书架，前一半动作视觉上很清晰：找到空位、对准、向前推。难的部分发生在接触之后。书撞到旁边了吗，推力方向偏了吗，推到底了吗。这三个问题在图像里几乎看不出变化，只有末端力传感器读得到。
上海交大卢策吾、汶川团队联合穹彻（Noematrix）提出的 LIFT，处理的是这一类时刻。论文已被 CoRL 2026 收录，代码开源。
力的麻烦不在算法，在数据
预训练的视觉-语言-动作模型（VLA）带来了语言条件化的操作先验，但它主要靠视觉驱动。一旦进入接触态，遮挡、深度歧义、细小的力误差都会把执行推离离线演示分布。
补上力感知，卡在数据那一侧。力和力矩与机器人本体、末端硬件强绑定，采集成本高，也很难通过 UMI 这类手持设备或第一人称视频规模化。更麻烦的是加一条新通路会改动模型架构，预训练知识会不会被冲掉，没人愿意赌。
三条设计保住预训练的那份先验
LIFT 的做法是在原动作专家旁边再挂一个反应式动作专家，而不是改动原来那个。三处细节决定了它能不能做到「初始化时与原模型输出完全一致」。
第一处是权重拷贝。反应式动作专家直接用预训练动作专家的权重初始化，原动作流保持块内全注意力不动。第二处是零初始化交叉注意力，力记忆通过交叉注意力以残差方式注入反应式动作专家，输出投影做零初始化，于是第 0 步力带来的更新恰好为零，力改不动预训练的动作输出，直到后训练学到非零残差。第三处是移位因果注意力掩码，反应式 token 关注视觉语言前缀、后续的原动作 token 以及自己的因果前缀，屏蔽掉前面的原动作 token 与后续的反应式 token，这样它接收到的上下文与原全注意力专家一致。
慢的那条路和快的那条路
动作块长度 H 设为 10，控制频率 10 Hz，一个块刚好覆盖一秒。在每个块开始时，视觉语言前缀的 KV 缓存只算一次，等于慢上下文每秒刷新一次。同一个块内部，每一个控制步都会读取最新的力帧、编码因果力记忆、重新刷新反应式动作，这条快路径跑在 10 Hz。
力记忆用单层因果 GRU 编码最近的六维末端力与力矩序列，隐层宽 512，输出宽 1024。传感器原始采样率超过 1000 Hz，降采样到 10 Hz 后与动作流对齐。力交叉注意力还带一个延迟对齐因果掩码，偏移 L 设为 3，用来屏蔽推理完成时还拿不到的力测量，免得输出一个已经过时的动作。
20 到 30 条在线数据是怎么用起来的
在线阶段一次实验大约持续 2 到 3 小时，采集 20 到 30 个 episode。真正进训练集的不是整段 episode，而是人类介入的那些帧。操作者在策略停滞、力轨迹超过硬件安全阈值或 episode 超长时接管，只有接管帧进入在线纠正集。训练器每 100 个 training step 把新 checkpoint 推到推理服务器，形成采集、后训练、再部署的闭环。
混合训练用固定的 1 比 1 离线在线采样比。纯视觉批次用零力占位符并在交叉注意力前屏蔽力记忆，切断对力编码器的梯度；在线纠正批次保留真实力记忆，更新力通路与反应分支。
三个任务的分数
对比基线是同样走在线 DAgger 的纯视觉 π0.5。官方披露的分数变化是这样。
| 任务 | 纯视觉在线 DAgger | LIFT | 说明 |
|---|---|---|---|
| 叠毛巾 | 73.3 | 84.2 | 分阶段打分，完成第二次折叠得满分 |
| 插书 | 36.7 | 58.3 | 含无碰撞插入、推书脊至完全插入 |
| 汉诺塔圆环放置 | 26.7 | 56.7 | 二值成功率，环完全落座才计 1 |
论文表格里对应的是峰值成绩，例如插书基线峰值 0.4、LIFT 峰值 0.6，汉诺塔基线峰值 0.3、最终 0.2，LIFT 峰值与最终都是 0.6。每个检查点用 3 组共 30 次自主 rollout 评估。
消融里有一个反直觉的结果值得单独看。去掉反应式力记忆、只给单帧力输入时，叠毛巾的峰值反而升到 0.95，但插书峰值只有 0.4，汉诺塔峰值 0.5 之后一路跌到 0.1、0、0.1。插书和汉诺塔这类任务需要判断自己处在接触的哪个相位，这个判断依赖一小段力历史，单帧力不够。
实验平台与论文自己写的局限
硬件是单臂 Flexiv Rizon 4S 协作臂配 Robotiq 2F-85 平行爪夹爪，位置控制模式跑 10 Hz，腕部装一台 iPhone 提供 10 Hz 单目 RGB。力反馈演示通过 Flexiv TDK 的双边主从配置采集，操作者动主动臂，从动臂测到的接触力回传给主动臂。每次训练用单节点 8 张 A800，代码基于 openpi，主干是 π0.5。
论文列出的局限有三条。人工介入限制了数据采集效率，也给操作员带来持续判断的负担。接管时机不容易判断，需要熟练操作员，时机本身还会影响纠正数据的质量。所有实验只在单臂平台上做过，双臂任务是留给后续的工作。
为什么这条线值得跟
具身这边过去一年的主流解法是加数据、加仿真、加世界模型，都是往上游补。LIFT 把力气花在了下游：预训练负责先验，后训练只补一个高频率、低维度、和具体硬件绑定的模态，而且用 20 到 30 条在线数据就把接触行为教会了。作者认为这套范式对任何以 MoT 为基础架构的预训练模型都适用，不只是 VLA。
对做工程的人来说，更实际的信号是那个慢快分离：昂贵的视觉语言上下文一秒算一次，便宜的力反馈每步都算。这条结构不需要改预训练模型，也不需要重采大规模数据，门槛比重建基础模型低得多。
参考信源
- Yi Wang 等《Never Too Late for Force: Accelerating VLA Post-Training with Reactive Force Injection》，arXiv:2607.14236v2，CoRL 2026 收录
- 项目主页 lift-policy.github.io；代码 github.com/y-wng/lift
- 机器之心 2026-09-27 报道（三个任务的分数对比）
- FutureX Physical AI Daily Issue 133（2026-09-28）
- 论文附录 D、H、J 关于传感器频率、残差基线与在线实验耗时的说明
#具身智能 #VLA #机器人操作
讨论回复
加载中...正在加载回复...
推荐
智谱 GLM-5 已上线
我正在智谱大模型开放平台 BigModel.cn 上打造 AI 应用，智谱新一代旗舰模型 GLM-5 已上线，在推理、代码、智能体综合能力达到开源模型 SOTA 水平。