无需传感器即可感知外力：MIT的NeuralActuator获RSS 2026最佳系统论文奖

一种无需力矩传感器或触觉传感器、就能让低成本机械臂感知自身推力大小的神经网络模型，获得了2026年7月13日至17日在悉尼举行的RSS 2026会议“纪念Seth Teller杰出系统论文奖”。论文NeuralActuator由Wojciech Matusik领导的MIT计算设计与制造组研究人员与亚马逊的Yuri Ivanov共同完成，于2026年7月发布在arXiv（2607.11734）。

要解决的问题

多数低成本机器人用一条简单规则估计关节力矩：力矩等于电机电流乘以常数。作者指出，由于摩擦、迟滞、齿轮回差和发热，这一线性模型在廉价硬件上并不成立。这种误差是仿真训练的策略在真实低成本机器人上表现走样的原因之一，也让这类机器人无法知道自己施加了多大的力。

工作原理

系统利用电机本身已上报的信号同时学习三件事：预测每个关节实际输出的等效力矩，让仿真器复现真实机器人的运动；估计机械臂末端受到的外力，让机器人感知接触；为每台电机的状态打分，区分正常运行和机械受限的关节。力的估计值在使用前要经过判断是否接触的门控。

模型是一个Transformer，读取9个时间步的短历史，包括指令位置、关节状态、电机电流、电压和温度。力矩部分无需力矩标签：团队把预测力矩输入MuJoCo物理引擎，将仿真运动与实测运动对比，再通过可微仿真器反向传播误差。力和电机状态输出则用标注数据训练。

数据与硬件

作者在ROBOTIS的五自由度机械臂OpenManipulator-X上采集了94.52分钟的Neural Actuation Dataset。该机械臂由DYNAMIXEL XM430-W350舵机驱动，数据通过主从遥操作装置采集，包括34.15分钟自由运动、46.24分钟带100克至500克负载的力标注交互，以及14.13分钟人为限制某一关节的数据。方法还在LeRobot SO-101机械臂上验证，并在Franka Emika Panda上进行了离线测试。

结果

据项目页面，力估计误差为0.12牛，线性电流力矩模型为1.41牛，含摩擦项模型为1.23牛，广义动量观测器（GMO）为0.66牛。把力估计输入模仿学习策略后，抓取放置成功率由80%升至92.5%，抬起并保持任务由85%升至95%。电机状态识别准确率91.0%，精确率84.5%，召回率96.2%。500步运动预测中关节角误差为1.78度至3.31度，在60赫兹控制频率下GPU推理耗时不足1毫秒。代码、数据和硬件配置均已公开。

竞争格局

Franka等工业协作机械臂内置关节力矩传感器，成本较高；触觉皮肤和腕部力传感器是另外的路线。NeuralActuator只使用标准智能舵机已提供的信号，以价格取胜。在RSS 2026获奖论文中，它与凭借更快强化学习获得杰出论文奖的FlashSAC一道，指向在廉价硬件上落地学习型控制的方向。

对中国产业的意义

国内拥有大量低成本机械臂、舵机和桌面级机器人厂商，这项研究与国内供应链密切相关。若力感知可以通过软件实现，国内舵机和关节模组厂商在固件中加入类似模型，就能在不增加硬件成本的前提下提升产品档次。对正在大规模采集遥操作数据训练具身大模型的国内企业而言，低成本设备也能补上力觉这一模态。电机状态评分还可用于无需额外传感器的预测性维护。

局限

作者坦言，力矩输出是吸收了未建模接触和负载的综合量，而非纯粹的电机物理力矩。力的训练依赖准静态负载，电机状态评估仅限一个平台的一个关节，研究也未涉及大型机器人常用的永磁同步电机或液压驱动。