千金女佣

半年狂卖超100亿，东鹏特饮为何甩不掉“伤身” 争议？_我的网站

一 |     这项由马里兰大学（University of Maryland, College Park）与佐治亚理工学院（Georgia Institute of Technology）联合完成的研究，于2026年7月4日以预印本形式发布，论文编号为arXiv:2607.03723，研究方向归属于计算机科学的机器人学领域。感兴趣的读者可以通过该编号在arXiv平台查阅完整论文。         **一、机器人为什么老是"差那么一点点"**          现实生活中，有一类任务看似简单，实则极难完成——比如把充电器插进插孔、拧开瓶盖、或者把一根棍子插进一个刚好比它大一点点的孔里。人类做这些事情时，眼睛固然会提供大致的方向感，但真正决定成败的往往是手指尖传来的那一点点细微感觉：插进去了没有？有没有卡住？是不是需要稍微转个角度？          对于机器人来说，视觉系统就像是一双很好用的眼睛，可以看清楚东西在哪里、大概朝什么方向移动。但是，当机器人的夹爪真正触碰到物体的那一刻，纯粹的视觉信息就有些力不从心了。    作为A股市值已高达1565亿元的行业巨头，东鹏饮料再次向港交所发起冲击。接触力是多大？接触的几何形状是什么样的？需要往哪个方向微调？这些关键信息，摄像头根本没有办法直接测量到。2025年4月首次递交的招股书已经失效，近日又更新了材料。正因如此，那些需要精密接触的任务——也就是研究者们所说的"接触丰富型操作"——对机器人来说一直是个大难题。                   根据招股书，东鹏饮料2022年-2024年收入分别为85亿、112.6亿、158.3亿，2025年仅半年营收就达到了107亿，同比增长36.5%。         马里兰大学和佐治亚理工学院的研究团队决定从人类学习的经验里寻找解法。一个人学打羽毛球，可以通过看视频来了解动作要领和战术套路；但真正打好球，必须通过大量实际练习，用手腕去感受每次击球的力度和角度。

二 | 净利润分别为14.4亿、20.4亿、33.3亿，年复合增长率达52.0%，2025年上半年净利润就达23.7亿。                   它的财务数据表现抢眼，市场评价却呈现出明显的割裂。

三 | 视觉提供的是"大方向"，触觉和本体感觉提供的是"最后一公里"的精确调整。基于这个类比，这个团队提出了一套名为**OMNITACTUNE**的系统，让机器人先靠视觉学会任务的大致流程，然后通过"用手摸索"来精修那最难的接触阶段。

四 |          **二、视觉大数据与触觉小数据之间的鸿沟**          要理解这项研究的意义，先得了解当前机器人学习领域的一个根本矛盾。

五 |          近年来，视觉数据变得越来越丰富。研究者们可以用人类操作的视频、远程操控的机器人录像，甚至海量的互联网图片来训练机器人的"眼睛"。

六 | 多年来，其核心产品能量饮料“东鹏特饮”贡献了公司总收入的九成以上。

七 | 这些数据量庞大，种类繁多，让机器人在"看"这件事上变得越来越厉害。然而，触觉数据就完全是另一回事了——采集触觉数据需要专用的触觉传感器，每种传感器产生的数据格式不同，一个任务收集到的数据换到另一个任务又得重新来过，更别说换一台机器人了。目前触觉数据集的规模，与视觉数据集相比，差了不止一个数量级。

八 | 相比于产品结构单一所带来的经营风险，大众更关注能量饮料是否会带来健康隐患。         这就造成了一个现实困境：视觉策略可以靠大数据训练得很好，但在接触阶段频频失败；而引入触觉反馈虽然能解决接触问题，却又因为数据匮乏而难以泛化。                   01、“提神”还是“伤身”？市场评价陷两极                    近年东鹏饮料的业绩发展可谓飞速。                   根据招股书，东鹏饮料在中国功能饮料行业前五大公司中，市场份额达26.3%，位列第一，即每卖出5瓶能量饮料，至少有一瓶是东鹏饮料产品，2022年到2024年其销量年复合增长率达41.9%。                   2024年，其能量饮料销量达308万吨，同比增长29.1%。

九 | 以其主推的500ml（其客服称重量约为500g）一瓶东鹏特饮维生素功能饮料来计算，能装61.6亿瓶。若按中国约14亿人口计算，平均每人能喝4.4瓶。

十 |                    但自东鹏饮料向港交所递交招股书以来，其IPO消息下的热门评论中，常出现对其产品的质疑声音。诸如“估计是下了什么高科技，一喝它的我精神特别好”“这玩意对人体伤害这么大，就没人敢提吗”等声音，在社交平台上并不少见。         研究团队的核心洞察在于：我们不需要把触觉数据也扩展到视觉数据那个量级。触觉和视觉在操作任务中扮演的角色本就不同——视觉负责全局规划，触觉负责局部修正。既然如此，何不让视觉策略承担宏观引导的角色，然后只让一个小巧的触觉"修正模块"来处理接触阶段的细微调整？这就是OMNITACTUNE的核心思路：**把触觉学习当成对已有视觉策略的"残差修正"**，而不是从头重新学一套新策略。         所谓"残差修正"，可以理解为这样一个场景：你已经有一位经验丰富的厨师（视觉策略）负责整体烹饪流程，但在最后收汁的关键时刻，需要一位专门负责火候感知的助手（触觉残差策略）来做最后的精细调整。助手不需要重新学整道菜的做法，只需要在关键节点上补充主厨感知不到的信息。         **三、两阶段流程：先"看着练"，再"摸着改"**          OMNITACTUNE的整个工作流程分为两个主要阶段，可以用运动员学习新动作的过程来理解。         第一阶段叫做"热身启动"（Warm-start）。在这个阶段，机器人完全按照已有的视觉策略来行动，不做任何改变，但同时打开触觉传感器，默默记录下每一次交互中触觉传感器感受到的信息。这就像一位新来的助手跟着主厨观摩学习，虽然还没有动手操作，但已经在积累对这个厨房、这道菜的感知经验。

十一 |                    综合来看，相关质疑主要聚焦在两方面：一是产品可能带来的健康隐患，二是“上头”的困扰。                   据《国际金融报》报道，有消费者在社交平台发帖称，喝了东鹏特饮几个月后，体检时查出尿酸超标，并引发痛风。         这个阶段的目的不是立刻改善表现，而是做三件准备工作：填充"经验池"（也就是回放缓冲区），让之后的学习有素材可用；训练一个能判断"当前触觉信息对应什么结果"的评价网络（称为"评论家"或Critic）；以及针对当前任务微调预训练的触觉编码器，让它能够更好地理解这个任务特有的接触模式。         为什么这三件事缺一不可呢？如果直接跳过热身就开始学习，评价网络因为没有数据而无从判断好坏，触觉编码器因为没有针对当前任务微调而产生"表征偏移"（简单说就是：它提取出来的触觉特征跟任务实际需要的特征对不上），整个学习过程会极不稳定。研究团队将这个缺乏热身的对照方法称为PLD*，实验结果证明它的学习曲线确实更曲折、最终表现也更差。报道提到这并非个例，不少网友在相关话题下现身说法，“每天喝一两瓶东鹏，查出尿酸高”。

十二 |                    另据中华网财经报道，一位曾从事货运的司机透露，年轻时因长时间驾驶常喝东鹏等能量饮料，及王老吉等含糖饮料，加之运动少，患上了糖尿病。         热身阶段还有一个巧妙的数据增强技巧：利用一个叫做ControlTac的触觉图像生成工具，对每一段真实收集到的接触轨迹，额外合成两段虚拟的触觉轨迹，模拟不同的接触力和接触位置。这相当于厨师助手观摩了一次真实操作之后，在脑海中又演练了两次"如果力道更轻一点"或"如果角度稍微偏一点"会是什么感觉，从而大大扩充了学习素材。         第二阶段叫做"在线残差强化学习"（Online Residual RL）。

十三 | 这时，机器人开始真正地边做边学。

十四 | 每一步行动的最终动作，是视觉策略给出的基础动作加上触觉残差策略给出的修正量，就像主厨的手法加上助手在关键时刻的轻轻一推。触觉残差策略通过反复与真实环境交互、根据任务是否成功来不断优化自己的修正能力，这正是强化学习的核心思想。

十五 |          为了安全起见，修正量被严格限制在一个较小的范围内，并且通过一个逐渐放大的调度器来控制：一开始修正幅度很小（0到5%），随着学习进行逐步增大（最高到15%）。这确保了早期探索不会因为修正过猛而损坏设备或破坏任务。         此外，研究团队还引入了一个"接触门控"机制：只有当触觉传感器检测到实际接触时（通过传感器标记点的位移量来判断），触觉特征才会被输入到残差策略中。                   但目前，尚未见与这类健康问题有关的诉讼，更重要的是，也缺乏直接证据证明消费者患病与饮用该类饮料存在明确因果关系。在没有接触的时候，机器人完全跟随视觉策略，不做任何触觉修正。这防止了机器人在还没接触物体时就"过度依赖"触觉信号而做出错误动作。         **四、让机器人知道"做得好不好"：多感官奖励设计**          强化学习的一个核心问题是：机器人怎么知道自己做得好还是不好？在真实世界中，这个问题比在模拟环境中难得多——不能每步都人工标注，但奖励信号又必须足够密集，才能让学习高效进行。         OMNITACTUNE设计了一套综合视觉和触觉信号的多感官奖励系统。

十六 | 整体奖励由四个部分组成，不同阶段侧重不同。         在机器人还没抓住物体之前，"接近奖励"引导末端执行器靠近物体的初始三维中心位置，距离越近奖励越高。在投资者互动平台上，有投资者针对功能饮料产品中的成分提问时，东鹏饮料董秘回应表示，东鹏特饮是经卫生部批准的保健食品，按建议饮用量，是安全、可靠的。这相当于给机器人一个路标：先朝着目标走过去。         抓住物体之后，主要的引导来自"流奖励"。                   另外，在社交媒体上有不少消费者提到对东鹏特饮的“依赖”。这里的"流"指的是物体关键点的运动轨迹——研究团队用视觉方法在演示视频中追踪物体上的一组关键点，生成一条预测的运动轨迹，然后用机器人实际操作中物体运动轨迹与这个预测轨迹的吻合程度来给分。具体而言，预测轨迹被稀疏化为若干个"子目标"，机器人每到达一个子目标，奖励就增加一级，并切换到下一个子目标。这让奖励信号变得既稠密又有方向性。                   在知乎上，有网友发帖求助，表示“天天喝东鹏特饮，喝了两三年左右了，平均一天两三瓶。         触觉信号贡献两类奖励。就是当水喝了，这样对身体有没有害？戒不掉啊”。                   小红书上也有用户表达担忧，“刚开始喝还好，喝了几天感觉离不开了，天天想喝”。

十七 | 一是"抓握奖励"：触觉传感器接触面积内的深度值超过阈值，说明抓握稳固，给予正向奖励。

十八 |                    此外，在春雨医生、杏林普康等健康咨询平台上，也不乏患者提问，如“东鹏特饮喝多了会怎样，几乎天天两瓶，戒不掉了？”等。

十九 | 二是"安全惩罚"：如果触觉传感器检测到的标记点位移超过安全阈值，说明接触力过大，立即终止当前轮次并给予大幅负奖励，机器人自动复位。这些来自不同平台的声音，共同指向了东鹏特饮在部分消费者中形成的依赖现象。         这四部分奖励通过加权归一化组合成一个介于0到1之间的综合分数，当任务完成时额外给予1分的"成功奖励"。

|                    02、能量饮料的“真面目”                    能量饮料一直争议缠身。

|                    这是一种特殊用途饮料，属于能为机体补充能量或加速能量释放的保健食品，企业进入这一领域，需要获得国家市场监督管理总局批准的保健食品认证“蓝帽子”，东鹏特饮就是其中之一。                   根据招股书，东鹏特饮披露了部分成分，表示添加了牛磺酸、赖氨酸、肌醇、咖啡因、维生素PP（烟酸）、维生素B6、维生素B12功效成分。这样的设计让机器人在每一步都能获得有意义的反馈，而不是在黑暗中等待偶尔成功的瞬间。

|          **五、视觉策略从哪里来：多种"眼睛"的训练方式**          OMNITACTUNE设计为"策略无关"（Policy-Agnostic），意思是它不限定必须和哪一种视觉策略配合，任何已有的视觉策略都可以作为基础。而在其官方旗舰店里，主要原料里还提及了白砂糖、柠檬酸、柠檬酸钠、香精、苯甲酸钠、柠檬黄、胭脂红。

| 研究团队实际测试了四种不同来源和架构的视觉策略。                   其中苯甲酸钠属于食品防腐剂，柠檬黄和胭脂红为着色剂，柠檬酸钠属于食品添加剂。                   而起到抗疲劳的主要成分，则是牛磺酸、咖啡因，一瓶500ml的东鹏特饮，含牛磺酸250mg，咖啡因100mg。                   作为能量饮料的主要兴奋成分咖啡因，有刺激中枢神经系统的功能。咖啡因的耐受程度是因人而异，年龄、体重、心血管健康程度，甚至饮用当天的身体和精神状况都与之有关。

|          其中最有特色的是"基于流的策略"（Flow Policy）。有数据表明，对咖啡因较敏感的人可能会导致心律失常。

|                    特色期刊大科技《揭穿能量饮料的真面目》一文中提到，由于咖啡因非常苦，能量饮料制造商会在其中加入大量的糖来掩盖这种味道。这样一来，饮料中就含有过多的热量来源，却很少有营养物质。

| 研究团队从人类操作的视频出发，先用DINOv2（一种视觉特征提取工具）和SAM（一种图像分割工具）在视频帧中定位目标物体，然后用CoTracker3追踪物体上32个关键点在整段视频中的运动轨迹。                   与其他能量饮料相似，东鹏特饮也因此面临相似的困境——其成分引发了多项健康担忧，尤其以高糖问题最为突出。                   据《消费者报道》，其向第三方权威检测机构送检东鹏特饮、红牛、乐虎、魔爪、战马、力保健等12款功能饮料，检测结果显示，东鹏特饮每瓶（500ml）含糖量最高，达66.5g，超出了最高“警戒线”（50g）。接下来，用一个微调过的生成模型，给定当前观察帧，预测整个任务接下来的关键点运动轨迹——这就是所谓的"对象流"。

| 把这条生成的流稀疏化为若干子目标，策略就知道下一步应该让物体朝哪个方向运动。以每颗方糖4.54g计算，喝一瓶500ml东鹏特饮相当于摄入14.6颗方糖。                   高糖的危险是，据四川大学华西医院泌尿外科柳良仁团队完成、刊登在国际权威期刊《英国医学杂志》的研究结果表明，高糖摄入会增加18种内分泌疾病、10种心血管疾病、7种癌症以及10种其他疾病（神经疾病、牙病、肝病和过敏等）的发病风险。这个设计的妙处在于：人类和机器人的手臂形态各异，但两者都在操作同一个物体，物体的运动轨迹是跨越了"embodiment gap"（身体差异鸿沟）的通用语言。                   当时东鹏特饮回复《消费者报道》称：“配方的安全性和功能性已经过国家相关部门的评价和批准，同时，我司产品标签中明确：建议每日一瓶。对象流正是这样一种语言。

| ”                    03、东鹏特饮持续陷健康质疑                    网友常调侃，“抛开剂量谈危害，都是耍流氓”。在合理范围内适量饮用，的确并无不妥。但值得注意的是，能量饮料无论是产品中的咖啡因，还是高糖含量，都刺激着再消费。

| 与此同时，东鹏特饮的营销策略也在一定程度上助推了更多量的消费。         除了这种从人类视频学习的策略，研究团队还测试了通过远程操控机器人收集数据训练的ACT（动作分块变换器）和Diffusion Policy（扩散策略），以及基于大规模预训练的视觉-语言-动作模型π0.5。这四种策略代表了当前机器人学习领域最主流的几个技术路线，覆盖范围相当广泛。                   国际著名期刊Cell Metabolism（《细胞代谢》）发布的文章指出，高脂、高糖饮食会改变大脑，即使少量，也会大大增强大脑对高脂肪和高糖食物的反应。摄入高糖食物容易使大脑释放多巴胺，令人感到愉悦。

| 而随着时间的推移，大脑形成了对吃糖时愉悦记忆的依赖，会更偏好高糖食物。

|                    在中南大学湘雅医学院茶与健康研究中心发布的《被忽视的食品安全问题：食物渴求与成瘾》中提到，尽管有研究认为含咖啡因食物不会导致渴求或成瘾，但大量的人群问卷调查、戒断症状研究表明，长期饮用这类饮料将出现对它的渴求甚至成瘾，尤其在青少年中，咖啡因导致的渴求或成瘾更值得关注。         值得一提的是，研究团队发现从人类视频学到的基础策略，通常比从远程操控数据学到的策略具有更平滑的运动轨迹。

|                    在专门对东鹏饮料的研究报告中，机构也将能量饮料轻上瘾性视为企业的竞争护城河。

|                    在营销活动上，东鹏特饮推出“一元乐享”“扫码赢红包”等促销活动。他们用两个专业指标（SPARC和LDLJ，都是衡量轨迹平滑程度的数学工具）进行了量化对比，发现人类演示的平滑度远高于远程操控演示，并且这个差距在策略学习之后会进一步放大。原因很直观：人类在操作时手部自然地产生平滑运动，而操控机器人时无法直接感受接触力，导致在关键接触阶段频繁出现抖动和不稳定的修正动作。这些不平滑的动作被策略学习放大之后，会让接触阶段的行为更加混乱，从而使触觉残差修正更难进行。

|          **六、四个"精细操作"任务上的实验：从一塌糊涂到近乎完美**          研究团队在真实机器人上进行了全面验证，使用的平台是搭载GelSight Mini触觉传感器的xArm7机械臂，配合一台第三视角的Intel RealSense D435深度摄像头。                   据《国际金融报》，常规的换购模式，如瓶盖内印有“一元乐享”，消费者可凭此瓶盖再向商家支付1元换购一瓶新产品。一位超市老板曾表示，今年夏天第一批的东鹏特饮中奖率高达50%；社交平台上甚至有消费者分享，只花了1瓶的钱，带走6瓶饮料。         四个测试任务各有各的挑战性，但都属于接触丰富型操作。2024年推出的“扫码赢红包”活动，更是驱使消费者在24小时之内完成复购。                   根据活动规则，东鹏特饮瓶盖内印有红包二维码，最高中奖金额达4元，但需要消费者在24小时之内购买第二瓶，才能将上一瓶中奖的红包提现到账。                   值得注意的是，多份报告都提到能量饮料对未成年人的负面影响。         **插棒入孔**是第一个任务：机器人需要抓起一根圆柱形棒子，将其插入不同位置的目标孔中。

| 尽管能量饮料介绍里有产品“不适宜人群：少年儿童和孕妇”，但对于心智尚不成熟、缺乏自制力的孩子们来说，能量饮料的宣传吸引着他们的目光。

| 这个任务要求空间泛化能力（孔的位置每次不同）、稳定抓握以及毫米级的接触对齐。视觉基础策略在这个任务上的成功率只有40%，经过40到50分钟的OMNITACTUNE训练后，成功率提升至100%。         **充电器插入**是难度最高的任务之一：机器人要把一个充电器插头插入手机充电口。充电器金属插片宽约7毫米，厚约1.5毫米，对应的插槽宽仅约2毫米，留给误差的空间极其微小。                   东鹏特饮自2022年起，正式成为KPL《王者荣耀》职业联赛官方指定功能饮料，依靠赛事赞助获得曝光，以拉升产品和品牌在年轻群体中的认知度。

| 视觉基础策略的成功率只有10%，训练40分钟后成功率达到100%。

| 根据川观新闻与四川省未成年人网络保护促进会联合发布的《暑期城镇未成年人网游行为调查报告》，这是未成年玩家最喜欢玩的游戏，投票比例达40.71%。                   在亮眼的业绩增长与市场对其健康隐忧的质疑之间，东鹏饮料的港股上市之路里，行业巨头在商业成功与社会责任之间也需要寻求平衡。                   参考资料：《喝能量饮料，不安全》保健时报                    《能量饮料好比“水炸弹”》决策探索                    《能量饮料还敢喝？〈自然〉：这个“提神成分”正在喂养癌细胞》上海科协                    《又反转了！抗衰再遭质疑？Science和Nature：饮料中这种常见成分，不仅促血癌，还与衰老无关；但曾因抗癌、抗衰多次登顶刊》梅斯医学                    《年销百亿的东鹏特饮，“打工人”的高尿酸催化剂？》国际金融报                    《东鹏特饮借保健品“蓝帽子”，做“甜水”生意？》中华网财经                    《12款功能饮料测评:一瓶≈15颗方糖，“糖分刺客”竟是它》消费者报道。         **拧瓶盖**是一个工具使用任务：机器人拿着开瓶器去打开瓶子盖子。这个任务要求在动态变化的接触过程中保持精确的工具姿态，稍有偏差就会从瓶盖上滑落。视觉基础策略成功率仅5%，训练50分钟后达到90%。         **开盒子**同样是工具使用任务：机器人用杠杆式开瓶器撬开一个小铁盒。这个任务的特殊挑战在于可以着力的边缘厚度只有约1.3毫米，必须极精准地对准后才能产生有效的杠杆力。视觉基础策略成功率为5%，训练80分钟后成功率达到85%。         与此同时，研究团队还对比了三种对照方法。PLD*是把现有的PLD强化学习框架引入触觉的版本，但跳过了触觉编码器和评论家网络的热身优化；PLD（仅视觉）是只用视觉反馈进行残差学习、不接入触觉的版本；ViTAL是从零开始学习视觉-触觉策略、没有热身阶段的版本。

| 四个任务上，OMNITACTUNE的最终成功率比这三个对照方法高出40%以上，印证了每个设计选择的必要性。         **七、与其他视觉-触觉学习方法的正面对比**          除了与相同框架的对照方法比较，研究团队还将OMNITACTUNE与当前几种主流的视觉-触觉模仿学习方法进行了正面较量，测试场景集中在插棒入孔任务上。         对比方法包括：带触觉融合的ACT（把触觉特征拼接到视觉特征后一起输入网络）、Reactive Diffusion Policy即RDP（一种先进的慢-快双通道视觉-触觉扩散策略），以及带触觉令牌的π0.5微调版。这些方法在学习时都额外收集了包含触觉信息的远程操控演示数据，演示数量从50条增加到90条，总时间成本与OMNITACTUNE的在线训练阶段相当，以确保公平对比。         结果显示，所有基于模仿学习的视觉-触觉方法，成功率均低于OMNITACTUNE。

| 带触觉融合的ACT达到60%，RDP达到65%，带触觉令牌的π0.5达到45%，而OMNITACTUNE达到100%。

| 相差20%到30%的差距，说明了一个核心结论：对于接触丰富型的精密操作，通过反复试错在线学习触觉修正，比收集更多的人工演示数据更有效率。这与人类学习的直觉一致——要学会穿针引线，真的需要自己动手练，光靠看别人做示范是不够的。

|          **八、兼容多种触觉感知方式**          现实中触觉传感器的种类繁多，不同传感器产生的数据形式各异。为了验证OMNITACTUNE不依赖于特定的触觉感知方式，研究团队在插棒入孔和充电器插入两个任务上，对比了四种不同的触觉表示方法。         AnyTouch2是一种通用光学触觉表示学习模型，能够处理动态触觉感知；Sparsh是一种基于视觉的触觉自监督学习表示；T3是一种跨传感器跨任务的可迁移触觉变换器；还有一种更简单的低维触觉标记（Tactile Markers），直接使用触觉传感器中物理标记点的二维位移作为输入，配合一个两层的全连接网络来编码。         实验结果显示，四种触觉表示在经过OMNITACTUNE训练后都实现了显著的性能提升。AnyTouch2和低维标记方法在两个任务上都达到了相当的最终性能（约100%和100%对应插棒入孔，约100%和100%对应充电器插入），说明即使是简单的标记位移也足以提供有效的接触反馈。T3和Sparsh在充电器插入任务上表现略逊（约90%和80%），研究者推测这是因为这两个模型的预训练数据主要来自静态操作场景，对于充电器插入这类涉及动态探索的任务，其预训练特征与实际需求存在一定偏差。         这个结论对实际应用有重要意义：OMNITACTUNE不绑定昂贵的高端触觉传感器，廉价的标记位移传感器同样可以驱动有效的触觉残差学习。         **九、消融实验：逐一验证每个设计选择的必要性**          研究团队对系统的几个关键设计进行了消融实验，系统地验证每个组件的必要性。         奖励设计的消融实验显示，去掉接近奖励、流奖励或触觉奖励中的任何一项，学习速度都会明显减慢，最终成功率也会下降。其中去掉流奖励（即仅依靠稀疏的成功信号）的影响最大，验证了密集的基于物体运动的中间奖励对于高效强化学习的关键作用。         残差策略设计的消融实验则比较了基于轨迹级关键点引导与基于逐步关键点引导的差别。逐步关键点引导会对机器人每一步的动作方向过度限制，导致即使是ACT这样本身就会产生多样化动作的策略也难以与之协调，最终表现反而更差。轨迹级的稀疏子目标引导则既保持了任务方向性，又给了残差策略足够的自由度去处理局部接触细节。此外，去掉接触门控机制（让触觉特征在所有阶段都影响动作）也会使表现下降，说明"只在真正接触时才使用触觉"是一个重要的设计原则。         热身阶段的消融实验验证了三件事的重要性：热身期间对触觉编码器和评论家网络的联合优化、ControlTac触觉数据增强，以及评论家损失与重建正则化损失的共同作用。任何一项缺失，学习过程都会变得更不稳定，最终成功率也更低。         动作空间设计的消融实验证明了残差幅度调度器的价值：去掉调度器（一开始就允许较大的修正幅度）会导致学习不稳定；而设置过大的残差幅度上限（0.5而非0.15）虽然比完全无限制好，但最终性能仍不如精心调校的0到0.15的逐步增大方案。

|          **十、局限性与未来展望**          研究团队对OMNITACTUNE的局限性保持了清醒的认识。

| 系统仍然继承了真实世界强化学习的通病：每次任务失败后需要人工重置环境，长时间反复接触操作会造成触觉传感器的磨损。特别是GelSight Mini这类基于视觉的触觉传感器，其柔性接触面在频繁接触中容易产生损耗。

| 如何实现更自动化的环境重置、降低硬件磨损，是未来工作需要解决的实际问题。         研究团队提出的改进方向包括：引入世界模型（World Model）来生成物理上更可信的视觉-触觉仿真轨迹，用于预训练和在线策略改进，从而减少真实环境交互的次数；以及将系统扩展到更多机器人平台和更多种类的触觉传感器上。         归根结底，OMNITACTUNE给出的是一个关于"如何用触觉补充视觉"的可行路径：不需要从头收集海量触觉数据，也不需要重新训练视觉策略，只需要在已有视觉策略的基础上，用40到80分钟的真实机器人交互，就能让机器人在那些"最后一公里"的精密接触任务上从几乎完全失败变成近乎完美。

| 这或许意味着：为机器人添加触觉感知能力，真的可以比我们想象的更轻便，更快捷。

|          ---          Q&A          Q1：OMNITACTUNE和普通的视觉-触觉融合学习有什么区别？          A：普通的视觉-触觉融合学习需要同时收集大量包含触觉信息的示范数据，从头训练整个策略，数据成本高、泛化难。OMNITACTUNE则不同，它把已经训练好的视觉策略完全冻结，只训练一个轻量级的"触觉修正模块"，通过真实机器人在线练习来学习局部接触修正。这样既保留了视觉策略的泛化能力，又不需要重新收集海量视觉-触觉配对数据，40到80分钟内即可完成适配。         Q2：OMNITACTUNE需要什么样的触觉传感器才能用？          A：OMNITACTUNE对触觉传感器类型没有强制要求。研究团队实际测试了AnyTouch2、Sparsh、T3三种预训练触觉图像编码器，以及直接用传感器标记点位移作为低维输入的简单方案，四种方式都能正常工作。实验结果显示，简单的低维标记位移方案甚至达到了与高端预训练编码器相当的性能，说明无需昂贵传感器也能有效使用该系统。         Q3：OMNITACTUNE训练完成后，机器人插棒入孔这类任务的成功率能到多少？          A：在研究团队的实验中，视觉基础策略在插棒入孔任务上的初始成功率只有40%，经过约50分钟的OMNITACTUNE在线训练后，成功率提升至100%。充电器插入任务从10%提升至100%，拧瓶盖从5%提升至90%，开盒子从5%提升至85%，平均成功率达到93.75%，比对比方法高出超过40个百分点。

Current article:http://www.tibiantasangnenti.buzz/list_gnp/nq8.xls

Published on:08:00:45