Unitree G1 Edu-U4 主动双目做到94.4%，但加Dex3-1指端压力掉到67.3%，会让分拣策略把噪声当证据

Unitree G1 Edu-U4 上，同一个 Sort Cans 结构化分拣任务，只用主动双目相机的 A 组合做到 94.4%；加入 Dex3-1 三指手指端压力后，A-P 组合掉到 67.3%。不是因为压力传感器一定没用，而是因为在小数据模仿学习里，一路低任务相关信噪比的新模态，可能会被模型认真当成证据。

我以前很容易相信一件事：机器人要做精细操作，视觉、触觉、压力、关节位置，能装的都装上。信息更全，结果应该更好。

这篇 2026 年的人形机器人模仿学习论文，把这个直觉打穿了。研究者在 Unitree G1 上比较 14 种传感器组合，并使用 sensor masking 的消融框架，尽量减少不同示教数据带来的混杂变量。结果里最扎眼的一组数字是：A 组合，也就是主动双目相机，在结构化操作任务里做到 94.4%；A-P 组合，也就是主动双目再加指端压力，成功率反而掉到 67.3%。

不是差 2.7 个点。

是少了 27.1 个百分点。

你多加了一路传感器，你的机器人反而不会干活了。

论文没有证明"触觉没用"。更准确地说，它证明了一件更工程化、也更麻烦的事：在小数据模仿学习里，低质量或低任务相关信噪比的新模态，不是一个"没帮忙的队友"，它可能是一个会教坏模型的内鬼。

而且这个内鬼，比真正的缺失更难排查。

你的算法不会告诉你：“这路信号在胡说”

工程师看传感器，习惯看量程、分辨率、带宽和噪声。但学习模型看到的只是一串张量。它不分辨"哪个传感器更可靠"，只要接口尺寸对得上，它就认真吸收，一视同仁地学。

压力数据如果零点漂、接触面积变化大、采样频率低，或者跟图像和关节状态的时间戳差了几十毫秒，模型不会礼貌地把它放到一边。它可能把偶然的压力尖峰当成"抓稳了"，把缺失帧当成"物体已经离手"，甚至学到某个训练工装独有的接触纹理，换一个工装就全垮。

数据看上去更胖，信息可能更瘦。

在小数据场景里，这件事尤其阴险。视觉信号每一帧都在，压力信号只在接触瞬间出现。有效样本比例本来就低。再塞几十个压力通道进去，模型参数多了解释训练集的自由度，却没有多得到理解真实任务的证据。

它不只是"多一路输入"。

它可能是模态污染。

更扎心的是：压力传感器不是总坏事

这里必须补一个边界声明，因为这恰恰是工程师该看懂的细节。

在同一个结构化任务里，论文还有一个组合：WA-P。也就是腕部相机、主动相机，再加指端压力。这个组合的成功率是 97.6%，比主动双目单独的 94.4%还高。

所以，问题不是"压力有没有用"。

真正的问题是：同样是加压力，为什么 A-P 从 94.4%掉到 67.3%，而 WA-P 却能到 97.6%？

论文作者给出的解释方向是：压力数据在有更充分视觉上下文支撑时，可能确实有帮助；但如果视觉锚点不够、数据覆盖不足、任务相关信噪比不高，压力信号就可能变成策略里的伪证据。

一条传感通道的价值，不取决于它自己多好，取决于它能跟其他通道对上多少账。

视觉有空间上下文，压力只有接触瞬间。两者对齐得好，互相加持；对齐得差，互相污染。这不是传感器之争，是信号对齐之争。

别争了，三层消融做完再说话

遇到多传感器方案，我现在会先做一张消融表。不是开会争"触觉是不是刚需"，也不是听谁拍桌子说"机器人没有触觉就不高级"，而是先把数据烧出来。

第一层，做单模态底线。只用视觉能做到什么？只用关节位置能做到什么？只用触觉能做到什么？这不是为了真的单独部署，而是为了看每一路有没有独立信息。如果某一路单独做不好，不代表它没用，但至少说明它不能单扛。

第二层，做逐路加法。视觉到视觉加关节，视觉到视觉加触觉，再到三者全加。每次只增加一路，训练轮数、数据划分、评估任务尽量锁死不动。成功率开始下降的那一步，就是症结开始暴露的地方。不是猜出来的，是烧出来的。

第三层，做故障注入。注意，不是删掉传感器，而是"打坏传感器"：人为加入时间偏移、随机丢帧、零点漂移和噪声，观察模型对哪种坏法最敏感。这层最值钱，也最少有人愿意做，因为它会提前暴露量产现场迟早要暴露的问题。

量产现场里的传感器，从来不会按论文数据集那么整齐。实验室里你以为已经对齐到毫秒级，产线出来以后，一路线束、一层滤波、一个通信周期、一段缓存，都可能把时间戳往后拖。

触觉晚 50ms，末端速度 0.2m/s，空间错位就是 10mm。50 毫秒在运动控制里，已经不是小误差。

模型同时看到"手已经碰到"和"图像里还差一厘米"。它学到的抓取逻辑，你觉得能靠谱吗？

一颗传感器在 BOM 上只占一行，在数据链里会长成三页

加一颗传感器，不止是加一颗芯片。

硬件团队看到的是 BOM 多了一行压力芯片。系统团队看到的是多一条线束、多一个采样任务、多一份功耗预算、多一个通信节点。算法团队看到的是多一组归一化参数、多一轮消融实验、多一套异常处理。测试团队要设计它失效时机器人不能乱动。售后还得判断：到底是传感器坏了，还是模型不再信它了？

如果这一路信号不能稳定提高成功率，它带来的不是冗余，是一串年化维护成本。

这也是为什么关节位置传感器常被低估。位置反馈不性感，它没有压力那么"仿人"，也没有视觉那么适合做演示视频。但它每一拍都存在，物理含义稳定，不走神经网络也能进控制闭环。触觉的价值当然很大，但它更依赖接触结构、材料一致性、标定质量、时间同步和任务数据量。

两者不是谁替代谁，而是证据密度不同。

选传感器不是选功能，是选你愿意为哪一路信号承担长期对齐责任。

三条不满足，就先别让 BOM 替愿望买单

论文结果只针对特定任务、特定数据规模和特定传感器配置。数据更多、触觉质量更高、模型能更好处理异步模态时，结果完全可能反转。这个边界一定要讲清楚，否则就会从工程分析滑向情绪判断。

但反转之前，先过三条。

第一，触觉单模态能稳定区分接触状态吗？换一个物体、换一种抓取角度、换一个速度，触觉信号还能重复地告诉你"碰到了"和"没碰到"的区别吗？如果每次接触图样都像随机噪声，那它进模型以后，不会因为名字叫"触觉"就自动变高级。

第二，时间对齐误差低于任务允许的空间误差吗？如果任务要求 ±2mm，时间错位乘以末端速度就不能超过 2mm。超过了，信号就可能不是帮助，而是误导。

第三，加触觉后测试集也一起变好吗？不是只看训练集。跨物体、跨位置、跨光照、跨抓取姿态的测试集都要看。如果训练集涨了，泛化集不涨，甚至还掉，那你加的可能不是传感器，是过拟合加速器。

三条不过，就先别让 BOM 替愿望买单。

传感器的价值不在"我装上了"，而在它能不能给策略增加一条稳定、可泛化、坏了也能被识别的证据。94.4% 到 67.3% 这组数字很刺眼，但它提醒得足够诚实：

机器人不缺更多感觉。

它缺的是，每一个感觉都值得相信。