机械手要拿稳一个易碎的东西，靠的不只是视觉，还有指尖上那一点力。把力传感器做进指尖是很多年的目标，但传感器一缩小，六个轴的灵敏度就开始打架。成均馆大学和 Aidin Robotics 的一篇论文给出了一颗 10 毫米见方的电容式六维力传感器，做法是用一个数学指标把六个轴拉平。
让机械手抓住一个易碎的物体，难点往往不在视觉，而在接触发生的那几毫秒。压力大了会碎，小了会滑，留给控制器的判断窗口很窄。哥伦比亚大学的一支研究团队把压电薄膜和电容两种传感方式叠在同一根手指上，用 4 千赫兹的采样率去抓接触的起始和断裂瞬间，再靠基于人类反馈的强化学习去微调出力的大小，做成了以往没做到过的一件事：在灵巧手里摆弄易碎物体。
两台机器人一起抬一件东西，或者一台机器人与人各抬一端，动作对不对不看轨迹像不像，看的是力。人往左使劲，机器人的手要跟着让一点，否则东西会被拧。这条判断线在视觉里看不出来，在力矩传感器里是明摆着的。
半主动假肢的脚踝要在一次摆动相里完成姿态调整。人正常行走时摆动相只有几百毫秒，这段时间里通信、计算和执行都得做完。摆不到位，脚就会磕在地上。留给通信协议的时间，按毫秒算已经算宽裕了。
腱驱机器人把电机挪到靠近躯干的位置，用绳索把力传到关节上。这样换来的轻量化和低惯量，在复杂地形上很有价值，安全性也更好。到了仿真里，这份优点立刻变成麻烦。绳索的弹性、多关节之间的耦合、传动链上的迟滞，任何一项建模不准，训练出来的策略一落到真机就开始抖。
让机器人完成一次抓取不难，难的是让它把一整套多步操作从头做到尾。人形机器人在长时间任务里最容易被看出来的毛病，是手臂在动作衔接处出现细碎的抖动。这种抖动看起来像控制环路没调好，实际上很多案例的根源不在控制器，而在训练数据的采集粒度与模型处理时序的方式上。
让机械手抓住一个鸡蛋并不难，难的是全程知道自己在用多大力。压力给小了会滑，给大了会碎，而这两个阈值之间的窗口往往只有几牛。要把这件事做成，传感系统必须同时说清楚三件事：力有多大、朝哪个方向、接触点在哪里。
腱绳驱动的灵巧手已经做了几十年，从 Okada Hand、Utah/MIT Hand 到 ACT Hand、Shadow Hand，机械结构越做越精，但一个基础问题始终没有统一答案：一根腱从电机出来，中间挂哪些滑轮、绕哪个关节、按什么顺序走，究竟该怎么定。这不是画图时的审美选择，走线方式直接决定张力波动、位置精度和摩擦损耗，而这三项指标彼此并不站在同一边。
