AREX Feed Article
斯坦福教授 Chelsea Finn 推介 Flash ALOHA：人手直接带动机器人采数据，自报 50 条演示、超 80% 成功率
北京时间 11 月 13 日凌晨（UTC 时间 11 月 12 日 16 时 16 分），斯坦福大学计算机科学与电气工程助理教授、Physical Intelligence 联合创始人 Chelsea Finn 在 ，推介一套名为 Flash ALOHA 的机器人演示数据采集系统，并附上项目页链接。她在帖子里把卖点写成三句话：「机器人能接近人类速度的操控吗？遥操作产出偏慢的数据，而 UMI 的追踪在速度提高后会退化。Flash ALOHA 让人直接引导机器人，得到快且追踪准确的数据。」
链接指向的与给出的都是作者自报的成绩：每个任务只采集 50 条人类演示，机器人即可自主完成双臂抛接球、叠短裤、装电池、收餐桌等任务，成功率超过 80%，速度接近人类——其中双臂抛接球从抛到接不到两秒。论文 PDF、代码仓库与硬件搭建文档均已公开。这些性能数字尚未见独立复现。
遥操作慢半拍，手持追踪高速下失准
论文给「机器人比人慢」找了两个采集端的根源。主从臂遥操作（leader-follower puppeteering，人操纵一对「领导臂」，从动机臂跟随）有延迟、缺触觉反馈，操作者只能放慢动作，采出的是迟缓轨迹，策略模仿的也是慢。手持设备采集更直观——论文引用的 UMI（Universal Manipulation Interface）是这类方案的代表——但依赖视觉-惯性定位，高速下姿态估计失效。
后半句有实测支撑：作者把一台 iPhone 15 Pro（运行 iPhUMI 应用，以约 60 Hz 记录 ARKit 视觉-惯性姿态）装到机械臂腕上，对四条人手引导的轨迹及其 0.25～1 倍速回放逐一录像比对，共 48 段录像、1,269 个一秒窗口，末端速度最高 1.2 米/秒。一段快速自由空间运动中，追踪漂移超过 10 厘米；在每个测过的速度档上，手持追踪误差都大于机械臂自身的控制误差；1 倍速录像平均要试 3～4 次才能避开 SLAM（同步定位与建图）失效。项目页把这段测试做成了可视化对比，可以用时间轴逐帧对照真值轨迹与追踪估计。
剪刀手柄加重力补偿：操作者直接推动机械臂
Flash ALOHA 的思路是把采集接口装回机器人身上。动觉教学（kinesthetic teaching）指人直接握住机器人完成动作，平台由两台 6 自由度轻量机械臂组成——HESSIAN 与 ARX 两种型号，均用行星减速器，关节内阻比谐波方案低，便于人手反向驱动（backdrivable）。末端装上打印的剪刀式手柄：拇指一个小柄、四指一个长柄，绑带固定手位；力矩控制以 100 Hz 实时做重力补偿，人推起来如同扶着一台失重机器，直接完成演示。位置读数来自电机编码器，剧烈运动下依然精确，从根上绕开了姿态估计问题。
平台用三路相机——两路腕部、一路俯视——以 50 Hz 记录 360×640 图像与关节状态；高动态的抛接球单独交给 HESSIAN 机械臂，抛球臂按 100 Hz、接球臂按 200 Hz 记录。采集间隙，操作者可以把刚录的轨迹直接在臂上回放一遍，当场暴露漏采动作或跟踪问题。
先把操作者的手遮掉，再把动作块接缝抹平
高速数据本身带来两个新问题。其一是视觉分布不一致：采集时画面里有操作者的手，部署时没有。论文的处理不是用生成模型把人手修掉，而是直接遮罩——用运动学正解与相机标定算出双手在每帧画面中的位置，把对应区域像素置零，部署时逐帧实时执行。消融实验中，遮罩几乎全面优于不遮罩与扩散模型修补，电池插入这类任务正是靠它才成立；论文认为修补的失败来自桌面倒影等残留伪影。
其二是动作分块在高速下的接缝会放大成抖动。策略沿用 ALOHA 同款的 ACT 模仿学习算法，预测未来一串关节位置；作者在相邻动作块重叠的少量步内用 sigmoid（S 形函数）权重混合过渡，称为测试时平滑。消融显示，这种平滑在全部任务上的成功率不低于对比方法；换用 ACT 论文自带的时间集成平滑，成功率下降，电池插入整套动作要 10.18 秒，接近他们方法的两倍。
论文的成绩单：五项任务都在 7 秒内完成
论文报告五项主任务的自主执行时间：拆叠杯 3.97 秒、电池插入 5.70 秒、收餐桌 6.81 秒、叠短裤 5.91 秒、抛接球 1.85 秒，成功率均超过 80%，执行时间比遥操作系统缩短超过一半。项目页列出十项自主技能，除上述任务外还有装洗碗机、递黄油、帮忙穿外套、接毛巾、翻煎饼。几项任务对双臂配合的力度有具体要求：拆叠杯时左爪夹得太紧、右爪就抽不动顶杯，右爪过紧又会把整摞杯子拽走；装电池要先斜插避开弹簧，再由另一只爪下压卡入。
对照基线是带主从臂的 ALOHA 2：同样每任务 50 条演示，但在三个可比任务上，遥操作数据每条长 12～20 秒，动觉教学只要 4～7 秒。人为给遥操作数据提速（控制频率加倍或隔帧执行）后成功率急剧下滑，控制频率加倍还会让动作块边界的指令跳变达到原来的 3～3.5 倍；论文称抛接球任务无法靠遥操作完成——隔着设备接不住空中的动态物体。用户研究部分，七名几乎没有遥操作经验的志愿者各花 3 分钟熟悉器材、看一遍专家演示，随后计时做十次电池插入：在动觉平台上，操作速度最多达到遥操作的 3 倍。
从 ICRA 的 ALOHA Lightning 到 Flash ALOHA
项目页称，这套系统曾以 ALOHA Lightning 之名于 2026 年 7 月在维也纳举行的 ICRA 上首次展示； 已收录同题论文。此次以 Flash ALOHA 之名发布完整项目页与代码。论文署名 John Hua Yao、Qi Wu、Yihuai Gao、Chelsea Finn 与 Zipeng Fu，页头标注斯坦福大学；致谢写明工作得到 Robotics and AI Institute 支持。
ALOHA 本身是 Finn 参与的双臂遥操作平台系列：2023 年的 ALOHA 与 2024 年的 Mobile ALOHA 都靠主从臂采数据，Flash ALOHA 的对照基线正是带主从臂的 ALOHA 2。论文称动觉教学免去了「为遥操作再配一套主从设备的成本与复杂度」。代码仓库 11 月 12 日在 创建，与帖子同日；项目页 arXiv 一栏仍标着「即将上线」。
遮罩偏保守、缺触觉：作者自陈的局限
作者在结论中列出了自己的局限：遮罩策略过于保守，可能抹掉手部附近有用的视觉线索；系统只用视觉与本体感知两种模态，学不了依赖触觉的接触密集操作；自适应遮罩与触觉传感是他们写下的下一步。
项目页把视频分开标注：自主运行（rollout）视频、「加速遥操作」对照演示（常速、双倍速、跳帧）与手持设备追踪误差测试各占一栏。能立即公开核验的是代码、硬件文档与论文本身；80% 的成功率能否在外部实验室复现，还没有答案。