FLORE
一个学习力反应式人形机器人移动操作的框架，将6维力旋量作为策略显式输出，结合扩散策略与混合柔顺全身控制器实现接触密集任务
时间轴 (近 90 天)
FLORE 是一个学习力反应式人形机器人移动操作的框架，其核心思路是将力作为策略输出的一部分，而非事后用控制器被动补偿。
FLORE 采集和输出的是 6 维力旋量，使策略能够表达全身协调的力意图。
FLORE 使用两个带力传感的 UMI 风格手持夹爪和可穿戴追踪器进行无机器人演示采集，记录手部运动、接触力旋量和身体运动。
FLORE 的策略网络以视觉、本体感觉和实测力旋量为输入，输出动作以及每只手的力指令，采用扩散策略生成动作。
FLORE 的执行层采用带力跟踪的混合柔顺控制器，利用真实 F/T 传感器测得的力误差积分，让每只手沿指令方向精确跟踪力，在其他方向保持柔顺。
在仿真中，FLORE 的控制器能够跟踪不同大小和方向的每只手的力指令，同时全身运动精度损失很小。
在真机实验中，FLORE 的力反应式策略在三个接触密集任务中成功率达到 80%，而使用相同演示数据训练、由同一控制器执行的位置策略成功率仅为 26.7%。
FLORE 当前方法仍依赖特定的手持采集设备，跨任务泛化能力也有待验证。
全部知识事实 (8)
FLORE 是一个学习力反应式人形机器人移动操作的框架，其核心思路是将力作为策略输出的一部分，而非事后用控制器被动补偿。
50%待验证FLORE 采集和输出的是 6 维力旋量，使策略能够表达全身协调的力意图。
50%待验证FLORE 使用两个带力传感的 UMI 风格手持夹爪和可穿戴追踪器进行无机器人演示采集，记录手部运动、接触力旋量和身体运动。
50%待验证FLORE 的策略网络以视觉、本体感觉和实测力旋量为输入，输出动作以及每只手的力指令，采用扩散策略生成动作。
50%待验证FLORE 的执行层采用带力跟踪的混合柔顺控制器，利用真实 F/T 传感器测得的力误差积分，让每只手沿指令方向精确跟踪力，在其他方向保持柔顺。
50%待验证在仿真中，FLORE 的控制器能够跟踪不同大小和方向的每只手的力指令，同时全身运动精度损失很小。
50%待验证在真机实验中，FLORE 的力反应式策略在三个接触密集任务中成功率达到 80%，而使用相同演示数据训练、由同一控制器执行的位置策略成功率仅为 26.7%。
50%待验证FLORE 当前方法仍依赖特定的手持采集设备，跨任务泛化能力也有待验证。
50%