ForceHarness 让 GPT-6 Astra 在力控机器人任务中从 3.3% 升至 90%

新加坡国立大学(NUS)的研究人员推出了 ForceHarness 系统,让冻结的前沿模型——仅通过 API 使用、无需再训练——能够控制机器人在依赖触觉的任务中操作。在真实机械臂上,OpenAI 的 GPT-6 Astra 在接触式操作任务中的成功率从 3.3% 跃升至 90.0%,无需任何演示,也无需微调。这项工作于 2026 年 11 月 16 日作为预印本发表在 arXiv 上。

ForceHarness 解决的问题众所周知:多模态模型已经能根据图像控制机器人,但许多任务——装配零件、以合适的力度推动物体、感知何时接触——依赖图像无法显示的接触力。而要把力反馈带给通过 API 访问的模型,有两个障碍:接触变化的速度远快于模型的决策速度;冻结模型也无法解读原始的力数据流。

ForceHarness 如何工作

该系统分为三层。首先是十二个自终止力原语:小型控制器在低于模型决策速率的快速回路中自主调节力,并在接触事件发生时返回。其次,物理翻译层将每条力轨迹转换为质量、摩擦和接触高度等物理量,并附带不确定性估计。最后,这些物理量作为工具调用结果返回给模型,以模型能够推理的形式呈现。

手部力可通过腕部力传感器或仅凭关节力矩进行校准——在真实机械臂实验中没有腕部传感器。作者还构建了 HiddenPhys,一个在 MuJoCo 模拟器中包含七项任务、隐藏物理变量的基准,用于将该系统与专家控制器和经过训练的策略进行比较。

实验结果

据作者称,在模拟中,ForceHarness 在公开基准 ForceBench 上提升了 17.5 个百分点,在 HiddenPhys 上提升了 34.3 个百分点,超过了每项任务用约 200 次演示训练的力感知策略,并在 HiddenPhys 上与手工编写的专家控制器持平。在真实机械臂(没有腕部力传感器的 Franka FR3)上,GPT-6 Astra 在六项接触式操作任务中的零样本成功率从 3.3% 升至 90.0%。

测试还表明,较小的模型在获得物理量而非原始力值时能做出明显更好的决策——这一细节可能降低此类控制的成本。这些数字来自作者本人的预印本,摘要未说明真实机械臂结果基于多少次试验。该论文尚未经过同行评审,因此结果应被视为一个有前景的演示,而非已确立的事实。

为什么重要

这一结果出现之际,OpenAI 刚刚解散了机器人团队,转而押注 GPT-6 Astra 等通用模型来指挥机器人。ForceHarness 具体展示了这条路如何行得通:无需为机器人专门训练模型,系统直接给 API 模型补上它所缺少的——力觉——而不改动模型权重。

如果结果在独立评估中得到证实,这种方法有望加速由前沿模型控制的通用机器人,而无需为每个新任务收集数百次演示。该系统的代码已开源,其他实验室可以复现和验证这些结果。

图片来源:展会上的 Franka Emika 机械臂,Ims 拍摄,CC BY-SA 4.0,来自 Wikimedia Commons(文件:Franka Emika2.jpg)。图片仅供示意:论文测试使用的是 Franka FR3 机械臂。

来源

透明度声明:本文借助人工智能辅助撰写,并对照 X 上的公开帖子与互联网来源进行了交叉核对。事实已根据上述来源核实;请查阅原始来源以确认细节。

作者:Muse