近年来，人形机器人正在以惊人的速度走出实验室，进入工厂车间、仓储物流、家庭护理等实际场景。特斯拉的Optimus、波士顿动力的Atlas……一台台外形酷炫的"钢铁人"接连亮相，让外界对人形机器人的期待值拔到了新高。但一个关键问题被长期忽视：当这些机器人真正开始搬东西、推箱子、和人协作时，它们是否真的能扛得住现实世界里无处不在的外力冲击？

来自国内研究团队的最新研究，给出了一个令人警醒的答案：很多机器人控制系统，其实是"温室里的花朵"。

纸面上的优等生，现实里的落马者

长期以来，人形机器人的性能评估，主要依赖所谓的运动追踪基准测试，也就是看机器人能不能跟上一套参考动作。这类测试通常在"零阻力"的理想环境下进行，没有重量、没有摩擦、没有来自外部的推拉干扰。

这样的测试逻辑，有点像只考察运动员在空气中挥拳的姿势是否标准，却从不让他们实际打到沙袋。

研究团队在论文中直接点出了这一盲区："传统的无力评估在很大程度上掩盖了系统之间真实的性能差异。"

为了填补这个空白，他们推出了一套名为ThorArena的基准测试体系。这套体系的核心思路是：先采集真实人类在执行物理交互任务时的运动数据和力数据，再把这些数据"喂给"虚拟机器人，看它在真实力量的冲击下能撑多久、表现如何。

怎么测？先让人穿上传感器套装

数据采集阶段颇具创意。操作员佩戴PICO 4 Ultra VR头显和全身动作捕捉器，同时手持一套配备三轴力传感器的定制3D打印工具，完成六项极具代表性的日常物理任务：擦桌子、从高处放下水桶、从地面举起水桶、拉动椅子、推动椅子，以及与另一人配合搬运物品。

每项任务采集60段完整演示序列，共计360段原始数据。每段记录不仅包含人体关键点的运动轨迹，还同步记录左右手三维方向上的实时受力情况。这份"运动+力"的配对数据，成为整套基准测试的核心素材。

在评估阶段，系统将录制好的受力序列实时"注入"物理模拟器，作用在虚拟人形机器人的手部，同时让不同的控制系统尝试驱动机器人跟随参考动作。

评分采用一种名为FATS（力感知跟踪分数）的综合指标，它将机器人的动作跟踪精度、在不同力度级别下的稳健性、能耗开销以及任务存活时长整合为一个分数，且有意加大了高强度力的权重，让"扛打"能力更直接地体现在最终评分中。

一旦施力，差距立现

研究团队对四个代表性人形机器人控制系统进行了对比评估，分别为自研的Thor2，以及另外三套主流系统TWIST2、GMT和SONIC。

在不施加外力的情况下，四个系统表现相当接近：存活率几乎都接近满分，跟踪精度差异不大。看起来，谁都是不错的选手。

然而，一旦打开力的回放，格局发生了剧变。在最具挑战性的"推椅子"任务中，TWIST2、GMT和SONIC三套系统的存活率骤降至0.73到0.81之间，远低于无力条件下接近满分的表现。这一任务之所以最难，是因为持续施加的水平推力会直接威胁机器人的整体平衡，而不只是干扰上肢动作精度。

Thor2在全部六项任务中保持了近乎完美的存活率，平均FATS得分达到81.71，比第二名高出约8个百分点，关键点跟踪误差也比其他系统低约25%。

值得注意的是，四个系统各有其"个性"：SONIC倾向于顺应外力以保住平衡，却以牺牲动作精度为代价；GMT在高强度力下的追踪精度优于SONIC；TWIST2在力量级别变化时表现相对稳健。但在综合得分面前，这些局部优势并不足以掩盖整体差距。

这套结果印证了研究团队的核心判断：只看运动追踪，是看不出机器人真正实力的。而当外力加入，差距无处可藏。

下一步，团队计划扩充数据集，覆盖更多类型的任务和力的条件，并最终将测试延伸到真实的物理机器人上，以验证模拟结果与现实之间的一致性。

对于整个人形机器人行业而言，ThorArena提出的问题，或许比它给出的答案更重要：我们评估机器人的方式，是不是本身就出了问题？