上周在整理机器人领域的新论文时我注意到一个很有意思的现象很多研究都在强调“视觉”和“大模型”仿佛给机器人装上“眼睛”和“大脑”它就能像人一样理解世界并完成任务。但真正做过机器人项目的人都知道这中间还缺了最关键的一环——触觉或者说是物理交互的“身体感”。你让一个机器人去拧瓶盖它能看到瓶盖也知道“拧”这个指令但怎么判断拧的力度够不够怎么感知瓶盖的螺纹是否对上了怎么在打滑时调整抓握姿态这些都不是纯视觉或纯语言模型能解决的。这让我想起了李飞飞团队之前备受关注的T-Rex模型它通过视觉指令微调让机器人能理解“拿起那个红色的杯子”这类复杂指令实现了从“看到”到“理解意图”的飞跃。这无疑是巨大的进步。但今天想聊的是比 T-Rex 更进一步的东西。如果说 T-Rex 给机器人装上了更聪明的“视觉脑”和“意图理解脑”那么最近一些前沿工作比如被大家讨论的“物理交互脑”则是试图给机器人装上“触觉脑”和“物理常识脑”。它的核心目标不是让机器人“看”得更准或“想”得更深而是让它“做”得更稳、更柔顺、更符合物理规律。这听起来可能没那么“酷炫”但对于机器人真正走进厨房、工厂、家庭去完成那些需要精细操作和力反馈的任务来说这才是从“演示”走向“实用”的临门一脚。1. 从“看懂世界”到“动手改变世界”机器人进化的关键瓶颈我们不妨先拆解一下一个理想的机器人完成任务需要哪些能力。这个过程可以抽象成一个三层模型感知层通过传感器摄像头、激光雷达、力/力矩传感器、触觉皮肤等获取环境信息。认知与决策层理解任务目标“泡一杯茶”分解为子步骤“找到水壶、拿起水壶、对准杯子、倾斜倒水”并规划动作。执行与控制层驱动电机、关节以合适的力度、速度和轨迹完成动作并实时根据反馈进行调整。过去几年研究的焦点大量集中在第1层和第2层。大语言模型LLM和视觉语言模型VLM的爆发极大地提升了机器人理解自然语言指令和复杂场景的能力。T-Rex 这类工作就是典型代表它让机器人不再需要为每个物体编写专门的检测代码而是能根据“描述”来定位目标。这解决了“是什么”和“要干嘛”的问题。然而真正的挑战往往藏在第3层也就是“怎么做”的细节里。这个挑战的本质是“物理交互的不可预测性与实时性”。不确定性现实世界的物体不是刚体会变形塑料袋、会滑动鸡蛋、会反馈反作用力拧紧的瓶盖。视觉可以告诉你物体的位置和大概形状但无法告诉你它的刚度、摩擦系数、内部应力。实时性要求交互是毫秒级的。当机器人的手指触碰到桌面时需要立刻调整力度防止磕碰或打滑。等图像传回来、模型推理完、再发出指令延迟早就让任务失败了。多模态融合成功的交互需要将视觉目标在哪、触觉/力觉接触力多大、本体感知自己的关节角度和速度在极短的时间内融合形成一个统一的“世界状态”估计。这就是“物理交互脑”要解决的问题。它不是一个单一的算法而是一套处理力-位混合控制、触觉信息理解、物理常识推理和实时适应性调整的能力集合。它的目标是让机器人具备一种“手感”。2. “物理交互脑”里到底装了些什么不止是触觉传感器给机器人装上“物理交互脑”听起来像是加个高级触觉手套就行。但事实远非如此。硬件传感器只是提供了数据核心在于如何理解并运用这些数据。我们可以从三个核心模块来理解它2.1 模块一高保真的物理状态估计器这是“物理交互脑”的感官基础。它需要从嘈杂的传感器数据中实时估算出那些对交互至关重要的物理量接触状态到底碰上了没有是点接触、线接触还是面接触接触力与力矩六个维度的力/力矩三维力三维扭矩是多少分布如何物体属性估计基于交互反馈实时更新对物体质量、刚度、摩擦系数、形变程度的估计。滑动检测物体是否在手中开始滑动滑动的方向和速度如何这不仅仅是安装一个六维力传感器就能解决的。它涉及到传感器数据的滤波、融合例如融合视觉估计的接触点和力传感器数据以及基于物理模型的实时解算。一个常见的误区是认为力传感器读数就是真实的接触力实际上还需要扣除机器人自身重力、惯性力带来的干扰。2.2 模块二基于物理常识的实时决策器这是“物理交互脑”的核心智能。当状态估计器告诉你“当前抓握力不足物体开始滑动”时决策器需要立刻决定“该怎么办”。它依赖的不是大型神经网络慢速推理而是一套内化的“物理常识”规则库或轻量级反应式模型力控范式选择当前任务适合“位置控制”精确移动到某点、“力控制”施加恒定的力还是“阻抗控制”模拟弹簧阻尼系统让机器人与环境柔顺交互或是它们的混合反应式策略检测到滑动 - 立即微调抓握位置或增加抓握力感受到阻力变大 - 判断是否遇到卡顿需要摇晃或改变角度操作柔软物体 - 限制最大力度防止捏坏。任务级适应性对于“插拔”类任务需要先力控寻找孔洞再位置控插入对于“擦拭”类任务需要保持恒定的接触力并沿表面移动。这部分能力很大程度上来自于模仿学习从人类演示中学习力觉曲线和强化学习在仿真或现实中通过试错学习最优的力交互策略。2.3 模块三柔顺且鲁棒的低层控制器这是“物理交互脑”的执行末端是算法与硬件的桥梁。它接收决策器的指令如“将接触力维持在10N”并转化为电机电流或位置的精确控制信号。关键在于“柔顺”和“鲁棒”柔顺性使机器人能够安全地与人和环境接触发生意外碰撞时能“退让”而不是硬扛。鲁棒性面对模型误差机器人动力学模型不准、外部扰动被人推了一下和传感器噪声时依然能稳定完成任务。这通常需要先进的控制算法如自适应控制、滑模控制等来保证即使在参数不确定的情况下控制性能也不会急剧下降。用一个类比来说T-Rex 像是一个经验丰富的老师傅用眼睛一看就知道活儿该怎么干任务分解。而“物理交互脑”像是老师傅的那双手不看也能凭感觉把螺丝拧到合适的紧度遇到锈死的螺丝知道先敲打再拧碰到滑丝的螺丝知道不能蛮干。两者结合才是完整的“老师傅”。3. 从论文到代码如何为你的机器人项目引入“交互思维”对于开发者或研究者而言直接从头构建一个“物理交互脑”是不现实的。但我们可以将这种思维融入现有的机器人开发流程中。以下是一个从简到繁的实践路径3.1 第一步感知升级——从纯视觉到力觉融合如果你的机器人项目还只依赖摄像头第一步是尝试引入力觉反馈。硬件选型对于机械臂可以在腕部安装六维力/力矩传感器。对于灵巧手可以考虑每个手指配备指尖力传感器或使用触觉皮肤。对于移动底盘电机电流有时也能间接反映负载。软件集成在 ROS 中力传感器数据通常通过专门的驱动发布为geometry_msgs/WrenchStamped话题。你需要编写节点将这些数据与视觉感知如物体位姿进行同步和融合。最小验证实验不要一开始就做复杂任务。设计一个简单的实验比如让机械臂末端匀速向下运动。实时监测 Z 方向的力。当力超过一个阈值例如 5N时停止运动。 这就实现了一个最简单的“力控接触检测”。通过这个实验你可以熟悉数据获取、滤波、阈值判断的整个流程。3.2 第二步控制范式切换——理解并尝试阻抗控制位置控制是“我命令你去A点你必须精确到达”。这在有碰撞风险或需要柔顺交互的场景下很危险。阻抗控制是引入“物理交互脑”思维的关键一步。它的思想是不直接控制机器人的位置或力而是控制机器人与环境之间的动态关系——即像一个弹簧阻尼系统一样。当环境对机器人产生作用力时机器人会根据你设定的“刚度”和“阻尼”参数产生一个“退让”的位移。在仿真中实践在 MuJoCo、PyBullet 或 Gazebo 中为你的机器人模型启用力控接口。尝试设置不同的刚度K和阻尼D参数观察机器人在接触墙壁或物体时的行为差异。高刚度机器人像铁棒接触时力很大。低刚度机器人像羽毛很容易被推开。代码示例概念性# 伪代码展示阻抗控制核心思想 desired_force 10.0 # 期望的接触力 measured_force get_ft_sensor_data() # 读取力传感器数据 stiffness 100.0 # 虚拟弹簧刚度 [N/m] damping 5.0 # 虚拟阻尼 [Ns/m] # 计算基于力误差的“虚拟位移” force_error desired_force - measured_force # 根据阻抗模型计算位置调整量 (简化) delta_position force_error / stiffness # 在实际控制中这需要结合当前速度阻尼项和更复杂的动力学计算 new_position current_position delta_position send_position_command(new_position)实际工业机器人或ROS控制器如ros_control中通常有封装好的阻抗控制接口你需要的是学会配置这些参数。3.3 第三步策略学习——从演示中学习“手感”对于复杂的物理交互任务如叠衣服、揉面团手工设计控制律几乎不可能。这时需要数据驱动的方法。收集示教数据使用遥操作设备如力反馈手柄、触觉手套或“手把手”教导导纳控制模式让人类专家演示任务。关键点在于不仅要记录机器人的运动轨迹更要同步记录全程的力/力矩数据。这份“力-运动”配对的数据集就是“手感”的数字化。模仿学习使用动态运动基元DMP、高斯混合模型GMM或神经网络学习从状态位置、力到动作电机指令的映射。学习到的策略能够复现人类演示中的力觉特征。强化学习仿真训练在物理仿真器中为任务设置合理的力相关奖励函数。例如正奖励保持稳定的抓握力防止掉落、成功插入接触力在特定范围内。负奖励抓握力过大可能捏坏、发生剧烈碰撞接触力峰值过高。 让智能体在仿真中通过大量试错自主学习到适应物理交互的策略。注意仿真的物理真实性至关重要否则会面临严重的“仿真到现实”差距。3.4 第四步架构整合——将交互模块嵌入现有系统最终你需要将上述能力整合到你的机器人系统中。一个参考的软件架构如下[高层任务规划器 (LLM/VLM)] # 生成如“拧开瓶盖”的语义指令 | v [中层技能库] # 包含“抓取”、“拧”、“插”等技能每个技能关联一个“物理交互脑”策略 | v [物理交互脑模块] ├── 状态估计器 (处理力/触觉/视觉融合) ├── 策略选择器 (根据技能和当前状态选择控制模式) └── 反应式调节器 (基于实时力觉反馈微调动作) | v [底层机器人控制器] # 执行位置、速度或力矩指令在这个架构里“物理交互脑”模块是一个独立的、高频率运行的中间件。它接收高层的语义技能指令和低层的多模态传感数据输出精细的、带力约束的运动指令。4. 当前局限与未来展望我们离真正的“手感”还有多远尽管“物理交互脑”的概念令人兴奋但我们必须清醒地认识到其面临的巨大挑战传感器成本与可靠性高精度的六维力传感器和覆盖大面积的触觉皮肤仍然昂贵且在复杂环境中油污、粉尘、冲击的长期可靠性是工业应用的瓶颈。模型的通用性与泛化在一个任务上学习的力控策略很难直接迁移到形状、材质、质量不同的新物体上。如何让机器人具备“触类旁通”的物理常识是根本性难题。仿真与现实的差距基于仿真的训练效率高但仿真的接触动力学、摩擦模型与真实世界总有差异。如何缩小“sim2real”鸿沟是强化学习落地物理交互的关键。计算实时性复杂的触觉信号处理、物理模型预测和神经网络推理对嵌入式系统的算力提出了极高要求。未来的突破可能来自几个方向更廉价、更鲁棒的新型传感器如基于光学、磁感应的触觉传感器。物理基础模型训练能够理解和预测常见物体与动作交互结果的通用模型作为机器人交互策略的先验知识。层次化学习框架高层学习抽象的物理概念如“稳固支撑”、“柔顺插入”底层学习具体的运动/力控实现提高泛化能力。人机交互示教通过更自然的人机交互方式如VR/AR引导、语言纠正让人类能更高效地将“手感”传授给机器人。回到开头的比喻T-Rex 让机器人“睁开了眼听懂了话”而“物理交互脑”的探索则是为了让机器人“伸出手感受世界并稳稳地改变它”。这不仅是技术的演进更是机器人从实验室的演示品走向我们日常生活和工作中可靠伙伴的必经之路。对于开发者来说不必等待一个完美的“大脑”出现现在就可以从给你的机器人加上一个力传感器并尝试写第一行力控代码开始。真正的“手感”正是在这一次次与物理世界的真实碰撞和调试中逐渐积累起来的。
上周在整理机器人领域的新论文时我注意到一个很有意思的现象很多研究都在强调“视觉”和“大模型”仿佛给机器人装上“眼睛”和“大脑”它就能像人一样理解世界并完成任务。但真正做过机器人项目的人都知道这中间还缺了最关键的一环——触觉或者说是物理交互的“身体感”。你让一个机器人去拧瓶盖它能看到瓶盖也知道“拧”这个指令但怎么判断拧的力度够不够怎么感知瓶盖的螺纹是否对上了怎么在打滑时调整抓握姿态这些都不是纯视觉或纯语言模型能解决的。这让我想起了李飞飞团队之前备受关注的T-Rex模型它通过视觉指令微调让机器人能理解“拿起那个红色的杯子”这类复杂指令实现了从“看到”到“理解意图”的飞跃。这无疑是巨大的进步。但今天想聊的是比 T-Rex 更进一步的东西。如果说 T-Rex 给机器人装上了更聪明的“视觉脑”和“意图理解脑”那么最近一些前沿工作比如被大家讨论的“物理交互脑”则是试图给机器人装上“触觉脑”和“物理常识脑”。它的核心目标不是让机器人“看”得更准或“想”得更深而是让它“做”得更稳、更柔顺、更符合物理规律。这听起来可能没那么“酷炫”但对于机器人真正走进厨房、工厂、家庭去完成那些需要精细操作和力反馈的任务来说这才是从“演示”走向“实用”的临门一脚。1. 从“看懂世界”到“动手改变世界”机器人进化的关键瓶颈我们不妨先拆解一下一个理想的机器人完成任务需要哪些能力。这个过程可以抽象成一个三层模型感知层通过传感器摄像头、激光雷达、力/力矩传感器、触觉皮肤等获取环境信息。认知与决策层理解任务目标“泡一杯茶”分解为子步骤“找到水壶、拿起水壶、对准杯子、倾斜倒水”并规划动作。执行与控制层驱动电机、关节以合适的力度、速度和轨迹完成动作并实时根据反馈进行调整。过去几年研究的焦点大量集中在第1层和第2层。大语言模型LLM和视觉语言模型VLM的爆发极大地提升了机器人理解自然语言指令和复杂场景的能力。T-Rex 这类工作就是典型代表它让机器人不再需要为每个物体编写专门的检测代码而是能根据“描述”来定位目标。这解决了“是什么”和“要干嘛”的问题。然而真正的挑战往往藏在第3层也就是“怎么做”的细节里。这个挑战的本质是“物理交互的不可预测性与实时性”。不确定性现实世界的物体不是刚体会变形塑料袋、会滑动鸡蛋、会反馈反作用力拧紧的瓶盖。视觉可以告诉你物体的位置和大概形状但无法告诉你它的刚度、摩擦系数、内部应力。实时性要求交互是毫秒级的。当机器人的手指触碰到桌面时需要立刻调整力度防止磕碰或打滑。等图像传回来、模型推理完、再发出指令延迟早就让任务失败了。多模态融合成功的交互需要将视觉目标在哪、触觉/力觉接触力多大、本体感知自己的关节角度和速度在极短的时间内融合形成一个统一的“世界状态”估计。这就是“物理交互脑”要解决的问题。它不是一个单一的算法而是一套处理力-位混合控制、触觉信息理解、物理常识推理和实时适应性调整的能力集合。它的目标是让机器人具备一种“手感”。2. “物理交互脑”里到底装了些什么不止是触觉传感器给机器人装上“物理交互脑”听起来像是加个高级触觉手套就行。但事实远非如此。硬件传感器只是提供了数据核心在于如何理解并运用这些数据。我们可以从三个核心模块来理解它2.1 模块一高保真的物理状态估计器这是“物理交互脑”的感官基础。它需要从嘈杂的传感器数据中实时估算出那些对交互至关重要的物理量接触状态到底碰上了没有是点接触、线接触还是面接触接触力与力矩六个维度的力/力矩三维力三维扭矩是多少分布如何物体属性估计基于交互反馈实时更新对物体质量、刚度、摩擦系数、形变程度的估计。滑动检测物体是否在手中开始滑动滑动的方向和速度如何这不仅仅是安装一个六维力传感器就能解决的。它涉及到传感器数据的滤波、融合例如融合视觉估计的接触点和力传感器数据以及基于物理模型的实时解算。一个常见的误区是认为力传感器读数就是真实的接触力实际上还需要扣除机器人自身重力、惯性力带来的干扰。2.2 模块二基于物理常识的实时决策器这是“物理交互脑”的核心智能。当状态估计器告诉你“当前抓握力不足物体开始滑动”时决策器需要立刻决定“该怎么办”。它依赖的不是大型神经网络慢速推理而是一套内化的“物理常识”规则库或轻量级反应式模型力控范式选择当前任务适合“位置控制”精确移动到某点、“力控制”施加恒定的力还是“阻抗控制”模拟弹簧阻尼系统让机器人与环境柔顺交互或是它们的混合反应式策略检测到滑动 - 立即微调抓握位置或增加抓握力感受到阻力变大 - 判断是否遇到卡顿需要摇晃或改变角度操作柔软物体 - 限制最大力度防止捏坏。任务级适应性对于“插拔”类任务需要先力控寻找孔洞再位置控插入对于“擦拭”类任务需要保持恒定的接触力并沿表面移动。这部分能力很大程度上来自于模仿学习从人类演示中学习力觉曲线和强化学习在仿真或现实中通过试错学习最优的力交互策略。2.3 模块三柔顺且鲁棒的低层控制器这是“物理交互脑”的执行末端是算法与硬件的桥梁。它接收决策器的指令如“将接触力维持在10N”并转化为电机电流或位置的精确控制信号。关键在于“柔顺”和“鲁棒”柔顺性使机器人能够安全地与人和环境接触发生意外碰撞时能“退让”而不是硬扛。鲁棒性面对模型误差机器人动力学模型不准、外部扰动被人推了一下和传感器噪声时依然能稳定完成任务。这通常需要先进的控制算法如自适应控制、滑模控制等来保证即使在参数不确定的情况下控制性能也不会急剧下降。用一个类比来说T-Rex 像是一个经验丰富的老师傅用眼睛一看就知道活儿该怎么干任务分解。而“物理交互脑”像是老师傅的那双手不看也能凭感觉把螺丝拧到合适的紧度遇到锈死的螺丝知道先敲打再拧碰到滑丝的螺丝知道不能蛮干。两者结合才是完整的“老师傅”。3. 从论文到代码如何为你的机器人项目引入“交互思维”对于开发者或研究者而言直接从头构建一个“物理交互脑”是不现实的。但我们可以将这种思维融入现有的机器人开发流程中。以下是一个从简到繁的实践路径3.1 第一步感知升级——从纯视觉到力觉融合如果你的机器人项目还只依赖摄像头第一步是尝试引入力觉反馈。硬件选型对于机械臂可以在腕部安装六维力/力矩传感器。对于灵巧手可以考虑每个手指配备指尖力传感器或使用触觉皮肤。对于移动底盘电机电流有时也能间接反映负载。软件集成在 ROS 中力传感器数据通常通过专门的驱动发布为geometry_msgs/WrenchStamped话题。你需要编写节点将这些数据与视觉感知如物体位姿进行同步和融合。最小验证实验不要一开始就做复杂任务。设计一个简单的实验比如让机械臂末端匀速向下运动。实时监测 Z 方向的力。当力超过一个阈值例如 5N时停止运动。 这就实现了一个最简单的“力控接触检测”。通过这个实验你可以熟悉数据获取、滤波、阈值判断的整个流程。3.2 第二步控制范式切换——理解并尝试阻抗控制位置控制是“我命令你去A点你必须精确到达”。这在有碰撞风险或需要柔顺交互的场景下很危险。阻抗控制是引入“物理交互脑”思维的关键一步。它的思想是不直接控制机器人的位置或力而是控制机器人与环境之间的动态关系——即像一个弹簧阻尼系统一样。当环境对机器人产生作用力时机器人会根据你设定的“刚度”和“阻尼”参数产生一个“退让”的位移。在仿真中实践在 MuJoCo、PyBullet 或 Gazebo 中为你的机器人模型启用力控接口。尝试设置不同的刚度K和阻尼D参数观察机器人在接触墙壁或物体时的行为差异。高刚度机器人像铁棒接触时力很大。低刚度机器人像羽毛很容易被推开。代码示例概念性# 伪代码展示阻抗控制核心思想 desired_force 10.0 # 期望的接触力 measured_force get_ft_sensor_data() # 读取力传感器数据 stiffness 100.0 # 虚拟弹簧刚度 [N/m] damping 5.0 # 虚拟阻尼 [Ns/m] # 计算基于力误差的“虚拟位移” force_error desired_force - measured_force # 根据阻抗模型计算位置调整量 (简化) delta_position force_error / stiffness # 在实际控制中这需要结合当前速度阻尼项和更复杂的动力学计算 new_position current_position delta_position send_position_command(new_position)实际工业机器人或ROS控制器如ros_control中通常有封装好的阻抗控制接口你需要的是学会配置这些参数。3.3 第三步策略学习——从演示中学习“手感”对于复杂的物理交互任务如叠衣服、揉面团手工设计控制律几乎不可能。这时需要数据驱动的方法。收集示教数据使用遥操作设备如力反馈手柄、触觉手套或“手把手”教导导纳控制模式让人类专家演示任务。关键点在于不仅要记录机器人的运动轨迹更要同步记录全程的力/力矩数据。这份“力-运动”配对的数据集就是“手感”的数字化。模仿学习使用动态运动基元DMP、高斯混合模型GMM或神经网络学习从状态位置、力到动作电机指令的映射。学习到的策略能够复现人类演示中的力觉特征。强化学习仿真训练在物理仿真器中为任务设置合理的力相关奖励函数。例如正奖励保持稳定的抓握力防止掉落、成功插入接触力在特定范围内。负奖励抓握力过大可能捏坏、发生剧烈碰撞接触力峰值过高。 让智能体在仿真中通过大量试错自主学习到适应物理交互的策略。注意仿真的物理真实性至关重要否则会面临严重的“仿真到现实”差距。3.4 第四步架构整合——将交互模块嵌入现有系统最终你需要将上述能力整合到你的机器人系统中。一个参考的软件架构如下[高层任务规划器 (LLM/VLM)] # 生成如“拧开瓶盖”的语义指令 | v [中层技能库] # 包含“抓取”、“拧”、“插”等技能每个技能关联一个“物理交互脑”策略 | v [物理交互脑模块] ├── 状态估计器 (处理力/触觉/视觉融合) ├── 策略选择器 (根据技能和当前状态选择控制模式) └── 反应式调节器 (基于实时力觉反馈微调动作) | v [底层机器人控制器] # 执行位置、速度或力矩指令在这个架构里“物理交互脑”模块是一个独立的、高频率运行的中间件。它接收高层的语义技能指令和低层的多模态传感数据输出精细的、带力约束的运动指令。4. 当前局限与未来展望我们离真正的“手感”还有多远尽管“物理交互脑”的概念令人兴奋但我们必须清醒地认识到其面临的巨大挑战传感器成本与可靠性高精度的六维力传感器和覆盖大面积的触觉皮肤仍然昂贵且在复杂环境中油污、粉尘、冲击的长期可靠性是工业应用的瓶颈。模型的通用性与泛化在一个任务上学习的力控策略很难直接迁移到形状、材质、质量不同的新物体上。如何让机器人具备“触类旁通”的物理常识是根本性难题。仿真与现实的差距基于仿真的训练效率高但仿真的接触动力学、摩擦模型与真实世界总有差异。如何缩小“sim2real”鸿沟是强化学习落地物理交互的关键。计算实时性复杂的触觉信号处理、物理模型预测和神经网络推理对嵌入式系统的算力提出了极高要求。未来的突破可能来自几个方向更廉价、更鲁棒的新型传感器如基于光学、磁感应的触觉传感器。物理基础模型训练能够理解和预测常见物体与动作交互结果的通用模型作为机器人交互策略的先验知识。层次化学习框架高层学习抽象的物理概念如“稳固支撑”、“柔顺插入”底层学习具体的运动/力控实现提高泛化能力。人机交互示教通过更自然的人机交互方式如VR/AR引导、语言纠正让人类能更高效地将“手感”传授给机器人。回到开头的比喻T-Rex 让机器人“睁开了眼听懂了话”而“物理交互脑”的探索则是为了让机器人“伸出手感受世界并稳稳地改变它”。这不仅是技术的演进更是机器人从实验室的演示品走向我们日常生活和工作中可靠伙伴的必经之路。对于开发者来说不必等待一个完美的“大脑”出现现在就可以从给你的机器人加上一个力传感器并尝试写第一行力控代码开始。真正的“手感”正是在这一次次与物理世界的真实碰撞和调试中逐渐积累起来的。
