不装力传感器，靠关节电流感知负载：北京人形这套全身控制模型，省下的是哪一笔钱
通稿里最不缺的是「三大能力底座」，最该盯的是那句「不需要额外力传感器，仅凭关节电流」。它不是省钱技巧，是把力控从硬件固件变成了可迭代的软件项——而这决定了集成商能不能不改硬件就把力控做好。
- 事实：北京人形机器人创新中心（北京人形）2026-11-09 披露，旗下「慧思开物」平台更新，正式发布 Hi-WBC 通用全身控制模型；北京日报 2026-11-10 06:49 报道。
- 三大能力底座：持续进化与技能拓展（MoE + 策略蒸馏）、强交互与大负载、复杂地形与自主适应。
- 最有商业含义的一句：面对搬运重物与外推挤，「不需要额外力传感器，仅凭关节电流、运动状态等本体感知信息，就能感知负载变化与外部接触力」，配合短时域动力学优化实时调整重心、姿态与支撑点。
- 控制思路的变化：把人体动作参考视为「运动蓝本」而非「标准答案」——保留行动意图，动态修正执行动作；地形感知嵌入运动控制链路，重新规划落脚点位而非照搬示范步态。
- 演示证据：多台机器人以一镜到底完成会议室整理长程作业（搬移座椅、捡拾杂物、搬运垃圾袋、下蹲拾取纸团），多机可分工接续。
- 判断：这条技术路线的价值不在省 BOM，在它把力控变成了一个「可以随数据变好」的软件项。 传感器装上去就固化了，电流估算是算法——后者能被迭代，前者只能被更换。
先看这条通稿里哪句话是真信息。
「三大能力底座」「刚柔并济」「保留行动意图，动态修正执行动作」——这些是产品语言，属于必须有、但读不出东西的部分。
真正的信息藏在第二节的一段话里：面对搬运重物、外力推挤的真实工况，依托触觉感知学习技术，机器人「不需要额外力传感器，仅凭关节电流、运动状态等本体感知信息，就能感知负载变化与外部接触力」。
这句话只有一行，但它决定了这套模型在商业上值多少钱。
很多人以为力传感器贵在那一颗器件。不是。
一颗六维力传感器装到机器人手腕上，从采购到能用，中间隔着四道工序：标定（建立电压—力的映射）、温度补偿（金属应变片会随温度漂移）、整机装配后重标（装配应力会改变零点）、以及写一套把读数翻译成动作的适配代码。
这四道工序里，只有第一道是采购成本，后三道全是工时。而工时在不同客户之间不可复用——因为每家的装配方式、线束走向、负载工况都不一样。
判断：力控真正的成本不是器件，是「每台机器都要重新标一遍」这件事。这解释了为什么同一个本体，加装力控的报价在不同集成商手里能差出几倍：差的不是传感器，是标定流程的成熟度。
而「靠关节电流估外力」这条路，把上面四道工序里的后三道整体换掉了。它不需要额外器件，因此不需要额外标定；它读的是电机驱动器本来就有的电流环数据，因此不需要额外布线与采集卡。
换句话说，它把一笔按台计的非标工时，换成了一笔一次性的算法研发。
这段必须写清楚，否则上面那节会变成软文。
用关节电流反推末端接触力，物理链条是这样的：电流 → 电机输出转矩 → 减速器输出转矩 → 关节力矩 → 通过连杆传到末端。每一环都有损耗与不确定性：
| 环节 | 引入的误差来源 | 对力估计的影响 |
|---|---|---|
| 电流 → 转矩 | 转矩常数随温度漂移、电流采样噪声 | 整体偏置，可通过温补与滤波压低 |
| 转矩 → 关节力矩 | 减速器摩擦、背隙、效率随负载与温度变化 | 低速小力矩段误差占比最大 |
| 关节力矩 → 末端力 | 连杆质量与惯性、多关节耦合、雅可比矩阵误差 | 需要整机动力学模型，模型不准就整体不准 |
| 接触点未知 | 力作用点位置未测 | 只能估合力，估不出压力分布与接触位置 |
这张表最后一行是关键。
关节电流能告诉你「我身上多了三十公斤」和「有人在往左推我」，这足以支撑报道里说的三件事：搬得动、推得稳、受扰快速恢复。因为这三件事需要的都是合力与合力方向。
但它告不了你「手指捏住这颗螺丝时的接触面积有多大」「这块布料的哪一侧在被拉扯」。那需要分布式触觉，需要皮肤，需要压力阵列。
判断：「不需要力传感器」这句话成立的范围，是「整机级力控」，不是「末端级触觉」。报道用词其实很准确——它说的是感知「负载变化与外部接触力」，不是感知「抓取状态」。这两个词之间隔着一整代硬件。
本号 711 篇拆过另一条线：触觉电子皮肤，30 万套框架订单、交付 3 万套、前三季收入 467.75 万元，折下来一个传感点几块钱。
把两条线放一起，会看到一个很清晰的产业分工：
关节电流路线：解决「我承了多少力、被往哪推」。零器件成本，靠算法；受益于数据积累，越用越准；适合全身平衡、负重行走、抗扰恢复。
触觉皮肤路线：解决「我碰到了什么、碰得多实」。按面积计价，靠材料与阵列工艺；适合抓取判定、柔性物体操作、精密装配。
这两条不是竞争关系，是不同分辨率的关系。就像人既有本体感觉（知道自己手臂抬多高、拿了多重），也有皮肤触觉（知道指尖碰到了什么）。缺任何一个，动作都会变形。
判断：所以「不需要额外力传感器」这句话，最该被集成商听见的部分不是「省钱」，是「你可以在不改硬件的前提下，先把整机力控做到能用的水平」。这对做二次开发交付的公司意义很大——过去要提升一台机器人的力控表现，第一反应是加装传感器、改结构、重新标定，周期以周计；现在可以先试算法侧，周期以天计。
但它同时意味着另一件事：力控从此变成了软件供应商的地盘，不再是硬件集成商的地盘。谁能拿到这套模型、谁能改它，谁就掌握了这一层。这是平台方收权，不是行业普惠。
三大能力里，第一条「持续进化与技能拓展」的技术描述值得单独看一遍。
报道写：采用混合专家模型（MoE）与策略蒸馏的持续技能扩展框架，相当于为机器人设置多名专项「技能导师」，分别专精跑跳、搬运、越障等不同任务，再通过策略蒸馏，把各个专项导师的本领沉淀融合进通用主策略，机器人学习新技能的同时不会遗忘旧本领，摆脱过去「新增任务就要重新调试控制器」的困境。
这段话在工程上对应一个非常具体的老问题：灾难性遗忘。机器人每接一个新任务就重训一次策略，往往会把上一个任务的表现练坏。行业里对此的常规解法是「分任务存多个策略、运行时切换」，代价是切换逻辑复杂、边界工况容易崩。
MoE 加蒸馏的思路是：训练时允许多个专家存在，部署时把它们压进一个主策略。好处是运行时不切模型；代价是蒸馏过程会损失一部分专家特有的锐度。
判断：这条技术路线真正在赌的，是「通用主策略的能力上限足够高」。如果压完之后主策略只保住了各专家的六七成水平，那它在单项任务上一定打不过专用策略——而客户是按单项任务验收的。这是所有「通用模型」在落地时都要面对的一次质问。
报道对实证部分的描述是：多台机器人以一镜到底形式完成会议室整理长程作业，独立完成搬移座椅、捡拾杂物、搬运垃圾袋、下蹲拾取纸团等一系列生活化任务，多机之间还可以分工接续完成整套工作。
「一镜到底」是个好选择。它排除了剪辑拼接，也就排除了「把二十次成功剪成一次」的常规操作。在演示视频普遍经过挑选的行业里，这个约束是有分量的。
但它仍然只是演示证据。判断一份机器人演示的成色，缺的是四个数：
这四个数，报道一个都没有。这不怪报道——发布方没给，记者也拿不到。
判断：「一镜到底」解决的是「有没有作弊」的问题，不解决「能不能交付」的问题。对采购方来说，前者是入场资格，后者才是决策依据。目前行业里绝大多数发布会停留在入场资格这一层，而客户要的是下一层。
报道自己也承认了这个落差：行业「绝大多数样机依旧停留在实验室与展会演示，核心痛点集中在仿真与真实物理世界存在显著鸿沟」。并给出落地顺序判断：短期工业现场、特种高危场景优先，家庭消费级非结构化场景距离大规模普及尚有距离。
判断：「工业与特种优先」这个顺序，和这份模型的技术特点是对得上的。工业现场的地形相对规整、物体相对刚性、任务相对固定——恰好是「整机级力控加地形适应」最能发挥、而「末端精细触觉」最不紧迫的场景。反过来，家庭场景里全是柔性物体和不可预测的接触点，正是电流估力最吃力的地方。技术能力的形状，决定了它先落在哪个场景。
三个层次。
作为技术信号：本体感知替代专用力传感器，是这一轮全身控制的主流方向之一。它意味着未来评估一台人形机器人的力控能力，不能只看「装了几个力传感器」，要看「关掉力传感器之后还能不能稳住」。
作为采购参考：如果供应商拿「我们不需要力传感器」当卖点，追问一句——那你们的末端接触感知怎么做？答不上来的，说明它只做了整机力控，没做抓取闭环。
作为交付参考：算法侧能解决的力控问题，优先在算法侧解决。加硬件是不可逆的决策，改算法是可逆的。对做二次开发的公司，这个顺序省下来的不只是钱，是返工的次数。