机器人操作中，任务的失败常因力控不当。斯坦福大学推出的UMI-FT手持示教系统，以极低成本解决了这一难题。它通过指级力感知，让机器人能同时学习动作轨迹与施力大小，显著提升了在真实复杂环境中的操作能力，为具身智能的规模化落地提供了新思路。
智能速览
传统机器人操作失败多因力控不当，而非动作不准。
UMI-FT系统在每根手指集成了硬币大小的六轴力传感器。
单个传感器物料成本仅约10美元，实现力感知数据低成本采集。
系统同步采集位姿、视觉、力等多模态数据，完整还原操作细节。
已成功应用于白板擦拭、黄瓜串签等高接触力敏任务验证。
精华内容
UMI-FT系统究竟如何实现低成本、高精度的力感知与示教？其硬件设计和学习框架的巧妙之处，正是解决机器人现实操作瓶颈的关键。
指级力传感核心
UMI-FT的核心硬件突破在于其名为CoinFT的指级六轴力/力矩传感器。这种传感器体积如硬币，可被集成到手持示教器的每一个指尖，直接感知与外部环境的接触力以及抓取物体时的内部握力。
相比传统昂贵且笨重的腕部力传感器，这种设计不仅成本大幅降低（单个传感器BOM成本约10美元），还避免了腕部传感器因长臂杠杆效应带来的延迟与信号干扰，测量更直接、精准。此外，该传感器设计抗冲击且易于替换，非常适合大规模、野外的数据采集场景。
多模态数据同步
在进行示教操作时，UMI-FT平台能够同步采集一套完整的多模态数据，包括RGB视觉信息、Depth深度信息、手柄的六维位姿，以及最重要的——来自双指的六维力/力矩数据。
这种全息式的数据记录，完整还原了人类在执行任务时的所有关键信息，从“看到什么”、“动作轨迹”到“用了多大力”，为机器人学习提供了前所未有的丰富素材，使其能够真正模仿人类操作中的力学细节。
可学习的顺应性
为充分利用采集到的力信息，研究者提出了力感知增强的ACP（Adaptive Compliance Policy）学习框架。该框架让机器人在学习时，不仅要预测下一步的位姿目标，还要同时预测该动作下的刚度矩阵和所需的抓取力。
这相当于让机器人学会了“可学习的顺应性”，即根据任务需求主动调整自身的“软硬”程度。这套力信号可以直接接入标准的阻抗/导纳控制器，无需为特定机器人定制专用硬件，具备良好的通用性。
复杂任务验证
为验证UMI-FT的有效性，研究团队在多个高接触、力敏感的复杂任务上进行了测试，包括需要均匀施压的白板擦拭、需要精准控制插入力的灯泡安装，以及需要特定穿刺力的黄瓜串签等。
实验结果表明，通过UMI-FT示教的机器人，能够成功完成这些涉及推、压、插、旋转等多种操作模式的任务，证明了其在真实世界复杂操作中的巨大潜力。
UMI-FT的出现，为机器人的精细操作普及化扫清了关键的硬件与数据障碍。它证明了低成本、可扩展的力感知是完全可行的，预示着未来将有更多机器人能够胜任需要“巧劲”的复杂任务，真正走进生产与生活。
