“走路轻一点！”清华团队给G1穿上触觉鞋垫，机器人也得学会别扰民

设想以后，家里有了一台会收拾东西的人形机器人。晚上，你已经准备休息，它还在客厅和厨房之间来回走动。家务做的不错，就是每次落脚都“咚咚咚”。你可能先想到的，是让它轻一点，楼下的邻居，大概也会有同样的愿望。

机器人走进生活以后，脚步声会变成一个很具体的问题。实验室里，只要没有摔倒、顺利跨过台阶，一次演示就可能算成功；到了有人休息、交谈的空间，落脚的声音和冲击就会非常影响使用体验。

清华大学团队在2026年9月24日在arXiv公开TactileStep预印本，研究怎样让机器人走路时落脚更轻、承重更稳。团队给Unitree G1装上薄型压力鞋垫，让控制器在看清地形之外，还能知道脚底正在承受多大的力、踩实了多少、重量压在哪里。

在论文的真机下楼梯实验中，机器人小腿附近测得的峰值A计权噪声，从视觉基线的97.2 dB降到67.1 dB，相差30.1 dB。这个结果已经足够值得细看：机器人究竟学会了什么，才让同样的下楼动作发生这样的变化呢？

👣 为什么不止研究足底触地反力

人下楼时，知道下一阶在哪里，只解决了落点问题。那么问题来了，脚要以多快的速度接近台阶，触地后怎样缓冲，再怎样接过身体重量呢？

机器人也一样。深度相机提供台阶的形状和位置信息，帮助控制器选择落点，却无法直接告诉它刚才这一下是否踩得太猛。即使脚的位置没有错，也可能只有前脚掌顶住边缘，或者脚底一小块区域承担了大部分载荷。

这时，只知道“总共踩了多少力”还不够。同样的载荷，摊在较完整的脚掌上，和集中压在边缘，意味着不同的支撑状态。

TactileStep因此同时关注两件事：触地时控制冲击，站稳后形成合适的承重分布。如果只追求低冲击，却没有足够支撑，下一步仍然走不稳。

图1｜不同地形中的真机部署，以及摆动、预落地、落地、支撑四个足部阶段。来源：TactileStep论文图1。

🦶 压力图主要量化反映在四个数上

鞋垫上分布着多个压力测点，各自记录对应位置的受力。把整张压力图直接输入控制器，会增加它对测点排列、标定和传感器差异的依赖。作者先把这些读数整理成每只脚四个有物理含义的数。

例如，一块有10个等面积测点的示意鞋垫，其中6个有效接触，面积比例就是0.6。若前脚掌的测点受力更大，压力中心就会向前移动。这个例子解释计算方法；论文仿真中每只脚实际布置60个虚拟测点。

两只脚各保留两帧记录，共形成2×2×4＝16维触觉观测。力按机器人重力归一化，CoP按足部轮廓范围归一化。近乎没有接触时，CoP被置零，避免很小的测量噪声产生大幅位置变化。

策略把这些信息与深度观测、身体状态一起使用，输出29个目标关节位置。底层PD控制器再根据目标与当前关节状态产生力矩。机器人完成一个动作后，鞋垫测得的接触结果又会参与后续动作决策。

图2｜深度、本体状态和足底特征进入策略，右侧按足部阶段组织训练奖励。来源：TactileStep论文图2。

机器人下一步怎么动，由Actor决定：它读取相机、关节和鞋垫的信息，再给出各个关节的目标位置。训练时，两个Critic帮助它判断这样做能否获得更好的后续表现。一个负责经常收到的反馈，比如速度有没有跟上、动作是否平顺；另一个负责只在特定条件下才有意义的反馈，比如落脚结束后，这次触地的峰值力有多大。

这样分工，是为了让持续的行走表现和短暂的落地冲击都能影响训练。触觉信息同时涉及这两类问题：站立时要持续检查承重，落脚时要关注瞬间冲击。两个Critic只参与训练，部署到真机后，仍由Actor根据传感器读数控制动作。

训练中的鞋垫，怎样对应真实采集的鞋垫压力数据

真机能读取压力，仿真时也需要提供相同类型的信息。但同时训练数千台机器人时，逐一计算软鞋底的材料变形代价很高，因此作者采用了较轻的近似。

先根据虚拟测点与地面的间隙、足底和地面的法线方向，把刚体仿真算出的法向合力分配到测点上；再让局部载荷向邻近测点扩散，减少孤立点接触的跳动。最后，从这张模拟压力图提取总力、面积比例和CoP。

图3｜根据距离与法线分配虚拟测点载荷，再提取接触区域和压力中心。来源：TactileStep论文图3。

这套模型的目标，是生成控制器能用的足底特征。作者用同一个不依赖触觉的基线策略，分别采集仿真和真机下楼梯片段，比较特征的范围与变化趋势。图中两者总体接近，也保留了幅值和时序差异。

图4｜同一基线策略在仿真与真机下楼梯时的触觉特征。来源：TactileStep论文图4。

一只脚落下，要分几个阶段练

有了触觉观测，还要告诉训练算法怎样的接触更好。TactileStep按每只脚的运动与接触状态，依次设置训练目标。

同一只脚，在不同阶段要做的事不同。抬脚时要留出越过障碍的高度；快落地时要控制向下的速度和加速度；刚触地时要缓冲，限制力的骤增；进入支撑阶段后，则要充分接触，让压力中心远离边缘并减少突然移动。训练按这些阶段分别评分，使抬脚、落脚和承重各有对应的要求。

在仿真里，系统可以直接读取脚离地多高、向下移动多快，用来判断阶段和计算奖励。Critic额外读取的是脚部竖直速度和阶段标签，用来评估后续回报。真机运行时，Actor接收的足底信息是鞋垫测出的受力、接触面积比例和压力中心，脚部竖直速度与阶段标签留在训练环节使用。

📊 穿上鞋垫，落脚究竟轻了多少

团队让G1在平地、坡面、楼梯和平台上行走，比较三套控制策略。第一套来自Hiking in the Wild，依靠视觉和机器人自身的运动状态控制行走，下文简称“视觉基线”；第二套使用TactileStep的训练设计，但训练时不向策略提供足底观测；第三套则使用完整的TactileStep。这样既能比较新旧方法，也能进一步看出，走路时读到鞋垫信息有没有帮助。

每个真机实验条件采集20个样本，记录落地冲击力、触地噪声和支撑时的接触面积。

冲击力看的是脚刚碰到地面时，受力一下增加到多大，单位是牛顿（N）。 真机从触地后力曲线的第一次上升沿提取这个值，位置见图5左侧。仿真则在预先定义的落地窗口内取最大法向力，后文分别列出这两类结果。

声音由固定在小腿侧面的声级计记录。 它朝向地面，安装在最低关节上方约6 cm处，测量触地时的峰值A计权声级，单位是分贝（dB）。A计权会对不同频率的声音作不同加权。实验背景声约55-60 dB，主要来自机器人自身的风扇。

接触面积比例看的是承重时，有多少足底测点接触有效。 比如0.483表示48.3%的测点达到接触阈值。

图5｜左侧为触地力曲线首次上升，右侧为声级计与鞋垫安装位置。来源：TactileStep论文图5。

在六类地形中观察真机实测结果

咱们先看原论文表3中的真机冲击力。每一行比较的是同一种地形下的三套策略，“无足底观测”对应前面提到的第二套。

下表为真机落地冲击力（N），落地冲击力，越低越好。

上平台时，视觉基线的冲击力为695.0 N，TactileStep降到355.7 N，少了339.3 N，降幅达到48.8%。下平台的降幅也有33.6%。下楼梯则小得多：359.3 N降到344.1 N，约减少4.2%。同样是落脚，改善幅度随动作而变。

下表为真机触地峰值A计权声级（dB），越低越好。

声音的变化方面。下楼梯从97.2 dB降到67.1 dB，减少30.1 dB，是六类地形中最大的差值。上楼梯和上平台分别降低29.0 dB、27.1 dB；下平台、平地、坡面分别降低14.9 dB、24.1 dB、13.5 dB。

这里测到的是脚边的声音。下楼梯尤其值得留意：冲击力只减少约4.2%，声级却相差30.1 dB。这里的冲击力取自触地后力曲线的首次上升，声音还可能受到触地过程、机器人结构振动和地面材料的影响。

支撑接触面积比例，越高表示有效接触更充分。

那么落脚轻了，脚掌是否仍能踩实呢？下楼梯时，TactileStep的有效接触比例由48.3%升到59.8%，增加11.5个百分点；以原来的48.3%为基准，相对增幅就是论文摘要中的23.8%。在这组实验里，声音减小的同时，参与支撑的足底范围也扩大了。

再看“无足底观测”这一列，就能理解鞋垫的作用。去掉实时触觉后，下楼梯的声级是84.9 dB，接触比例是0.417；加入触觉后，两项分别变为67.1 dB和0.598。不过，即使没有实时触觉，这套训练方法在上平台时也能把冲击力从695.0 N降到371.5 N。奖励设计和训练已经带来一部分改进，鞋垫反馈又帮助策略进一步调整了接触。

鞋垫采样够快吗？

冲击发生得很快，鞋垫却只以25 Hz无线采样，也就是每40 ms记录一次。如果最高的那个瞬间落在两次记录之间，测出的峰值就可能偏低。作者为此在平地和下平台两种情况下，改用100 Hz有线采集，每10 ms记录一次。

采得更密以后，平地读数从191.3 N升到199.2 N，下平台从404.6 N升到427.7 N。两项都略高于25 Hz的结果。这个补充让人能看到采样频率带来的差别，不过作者只列出了这两个工况，其他地形和策略还没有同样的高频对照。

附录还提到，取得一帧数据后，处理和通信的额外延迟小于1 ms。因此，无线方案的时序可以理解为：每40 ms取得一个新样本，再用不到1 ms完成后续处理与通信。

🔍 脚掌接触更多，重量压得怎样

真机鞋垫能测到接触范围，仿真则方便进一步比较训练中的不同设计。作者让每套策略在每类地形上各运行4096个回合，并重复使用同一批地形和随机种子。训练本身使用2048个并行环境。

图6｜平地、坡面、上下楼梯、上下平台六类地形的并行评估。来源：TactileStep论文图7。

除了接触面积，作者还检查重量主要压在哪里。前文介绍的压力中心CoP，可以理解为足底载荷的集中位置。CoP裕度测量它离足底轮廓边缘有多远，单位是毫米；在脚掌内部时为正，正值越大，离边缘越远。面积比例和CoP裕度合起来，分别描述“接触了多少”和“重量压在哪里”。

下表来自论文表1，箭头左侧是视觉基线，右侧是TactileStep。

楼梯上的变化比平地、坡面明显。下楼梯时，接触比例从0.487升到0.545，压力中心到边缘的裕度从27.07 mm增至29.43 mm。坡面接触比例则只从0.804变到0.805，几乎没有变化。作者的解释是，平地和坡面本来就较容易形成充分支撑，楼梯对落脚位置的限制更大。

那么，这些变化与训练要求有没有关系呢？作者重新训练了一套不含稳定支撑奖励的策略。下楼梯时，它的接触比例只有0.455，CoP裕度为25.91 mm，都低于完整方法的0.545和29.43 mm。也就是说，训练中明确要求脚掌充分接触、载荷远离边缘，确实在这两项测量上得到了更好的结果。

图7｜完整方法、去掉软落地奖励的变体与视觉基线的仿真冲击力对照。来源：TactileStep论文图6。

软落地奖励也做了同样的删减实验，结果见图7。删去这部分奖励后，六类地形的冲击力都升高了。前一组奖励改善承重时的接触，后一组奖励降低刚触地时的冲击，两组实验各自对应了方法想解决的问题。

两个Critic是否有必要，作者也单独试过。保持奖励项和训练预算相同，只改用一个Critic，下楼梯的仿真冲击力就从双Critic的320.74 N变成了579.83 N。接触比例和CoP裕度也分别从0.545、29.43 mm降到0.516、28.08 mm。在这项任务中，把两类反馈分开估计，训练结果更好。

⚖️ 走得轻了，会不会更费电呢？

作者还在仿真中记录了完成率、速度跟踪误差、通过时间和能量，结果列在论文表2。

成功率看有多少评估回合完成了任务；速度RMSE看实际速度偏离指令速度多少，单位为m/s，计算时对较大的偏差更敏感。通过时间记录花了多少秒，能量以焦耳（J）报告。

下面两张表均按“视觉基线→TactileStep”排列，这里沿用论文的数值作比较，真机续航仍需另测。

完成率改善最多的是下平台，从92.26%提高到表中所列的100%，相差7.74个百分点。平地为99.98%，坡面为99.63%。这些结果对应的是前面那批仿真地形和测试回合。

耗能增加的趋势则在全部六类地形中均出现了。以下楼梯为例，通过时间只从6.0 s变成6.1 s，能量却从887.4 J升到1232.9 J，增加约38.9%。速度跟踪误差也从0.19 m/s升到0.20 m/s；其余五类地形的误差报告值同样略有增加。

作者推测，更长的通过时间和更主动的关节调节可能增加耗能。对准备采用这套方法的人来说，除了关心声音能降多少，也要确认多花的能量是否能在接受范围内。

📌 想要在居民家里安静走路，接下来怎么做？

TactileStep已经在G1上展示了更轻的落地和更充分的足底接触，给了机器人的轻音低噪方向的行走研究非常好的开始。要让居民感受到这种变化，下一步可以把测试搬到实际房间：换几种地板，测量隔壁和楼下的声音，再看机器人连续走动时会带来多大影响。

机器人也要走得足够久。鞋垫用久以后，测量值会不会漂移，磨损后是否需要重新标定，是否会影响控制器对脚下受力的判断呢？

论文表9列出的训练前向速度指令范围为0.45-0.55 m/s，更快运动（比如说走跑模式）也可以进一步测试。仿真使用刚体接触，软地面和沙地上的触觉模拟是否准确，也有待验证。

这项研究值得继续学习的，是足底反馈如何改变控制器的训练目标。除了要求机器人到达目的地，训练现在还能要求它控制触地的瞬间，并把随后的重量分配好。真机实验测到了较低的冲击和噪声，仿真则显示，这些改善伴随着更高的能量消耗。接下来需要找到的是：为了达到实际使用所需的安静程度，怎样安排动作，才能兼顾可靠支撑、行走速度和能源成本。