# 别人堆传感器,这篇全拆了 别人堆传感器,这篇全拆了 完整文章：https://haiguangboy.com/posts/blind_dexterity_whole_body_humanoid_manipulation_via_pure_proprioception ## 核心方法 合规控制下的关节偏差本身就是一条隐式触觉通道，但要看得见这个信号，得先把自己发出的指令也喂给自己 ↳ 顺应性PD控制下，指令关节角和实测关节角的偏差正比于力矩，任何动作都会把接触信息暴露在编码器读数里。但要重构这个偏差，策略必须把上一步指令的动作也纳入观测——这是很多足式机器人强化学习里已经存在、却很少被点破价值的设计选择 ↳ 在Unitree G1上，不用相机、标记点、力/力矩传感器、触觉阵列，训出无IMU抗推行走、脚部截停足球、动态登上滑板、摸到手柄提起手提箱这四类任务 ↳ 盲策略展现出真正的主动交互式感知：抬脚扫描寻找目标，碰到滑板板头/板尾改善位置估计，拖动滑板改善朝向估计——不是被动等接触，是主动制造有信息量的接触 ## 关键结果 · 本文自己的方法(全程不给特权信息、直接用强化学习从零训练盲策略)在三项任务上都拿到高成功率：足球92.9%、滑板88.2%、手提箱83-90% · 反面案例：如果先训一个能看到物体真值状态的"特权教师"、再蒸馏出盲学生，结果反而惨得多(31.2%、8.2%、34.6%)——蒸馏学的是教师"直奔目标"的动作，学不会教师从没展示过的主动搜索行为 · 把估计器预测反馈进观测没有稳定收益，短时本体感知历史本身通常已够用；但估计器误差在接触后依然系统性下降，证明信息确实存在 · 让策略自己调节关节刚度，能稳定把手提箱倾翻率降低4-5个百分点 ## 相关路线对比 - 相反路线 · [N0-Foundation:开启触觉新时代](https://haiguangboy.com/posts/mathcaln_0_foundation_towards_the_age_of_tactile_intelligence) `mathcaln_0_foundation_towards_the_age_of_tactile_intelligence_2026_09`：N0-Foundation:开启触觉新时代 - 同路线 · [PAVE:失败数据也能喂饱策略](https://haiguangboy.com/posts/pave_predictive_alignment_and_value_guided_evolution_for_world_action_policies) `pave_predictive_alignment_and_value_guided_evolution_for_world_action_policies_2026_09`：PAVE:失败数据也能喂饱策略 - 同路线 · [PRISM:规模能否替代显式建模?](https://haiguangboy.com/posts/prism_precision_and_contact_rich_real_world_industrial_skill_dataset_with_multim) `prism_precision_and_contact_rich_real_world_industrial_skill_dataset_with_multim_2026_08`：PRISM:规模能否替代显式建模? - 同路线 · [指尖麻醉类比:遥操作缺的那味触觉](https://haiguangboy.com/posts/the_missing_touch_spatially_distributed_tactile_feedback_brings_teleoperation_cl) `the_missing_touch_spatially_distributed_tactile_feedback_brings_teleoperation_cl_2026_08`：指尖麻醉类比:遥操作缺的那味触觉 - 同路线 · [未来预测越准，机器人反而越迟滞](https://haiguangboy.com/posts/omega-0) `omega_0_a_latent_predictive_world_action_model_for_concurrent_humanoid_loco_mani_2026_08`：真机结果只是定性演示,不是按固定协议采集的可靠性评测——全部量化数字都来自仿真,作者明确说真机试验证明的是可迁移性,不是可靠性估计 validates 跨物体、跨场景、人类数据迁移三项泛化测试均为定性描述,未给出量化成功率 - 同路线 · [机器人GPT-3时刻：故事很足，证据不够](https://haiguangboy.com/posts/gen-1-5-one-shot) `generalist_blog_gen_1_5_20260818_2026_08`：真机结果只是定性演示,不是按固定协议采集的可靠性评测——全部量化数字都来自仿真,作者明确说真机试验证明的是可迁移性,不是可靠性估计 validates 三项零样本泛化演示:组合两个物理提示、仿真到真实迁移、人手到机械手跨具身模仿 ## 边界 · 这条隐式触觉通道空间分辨率极低，定义在关节层面不是接触点，精确定位天然比稠密触觉皮肤更难 · 每个状态估计器只针对训练时用的具体物体家族，不宣称类别级泛化能力 · 真机结果只是定性演示，量化数字全部来自仿真——作者自己说这证明的是可迁移，不是可靠性 ## 作者判断(非论文内容,跨论文综合观点) 这篇和已经解读过的N0-Foundation正面对着干：N0-Foundation的核心判断是纯视觉+本体感知既暴露不出接触状态、也提供不了执行中途纠错的信号，必须显式建模力/触觉；这篇却证明，只要观测里加上一步指令这一项，本体感知本身就能当一条够用的隐式触觉通道，完成截球、蹬滑板这类高度依赖接触反馈的任务，不需要任何专门的触觉硬件。两边谁更站得住，可能取决于任务对接触信息精度的要求——这篇自己也承认这条通道分辨率很低，恰好呼应了已经解读过的Touch论文的发现：触觉分辨率值不值钱，要看它和其他反馈渠道的冗余程度。