迁移的是接触，不是姿态
论文的核心主张是：接触位置和时机描述的是任务层面的物理交互，而产生这些接触的身体表面和关节构型则取决于具体机器人。正是这一区分，让人类演示能用于肢体长度和比例都不同的机器。PanTact 不重定向全身关节（那会移动接触点），而是测量人体在何处、何时接触世界，再要求机器人用合适的身体表面复现这些接触。
这一点重要，是因为论文对比的替代流程只携带末端执行器轨迹或关节姿态。Humanoid UMI 预测末端执行器动作，并且只跟踪末端执行器轨迹；Humanoid UMI++ 额外预测并持续跟踪绑定到固定机器人身体部位的膝部姿态。两者都不带明确的身体接触目标，因此支撑物体所需的手臂或腿部姿态没有被指定。
可穿戴贴片记录接触的位置与时机
数据采集接口在自我中心视觉和双手 UMI 夹爪之外，增加了佩戴在演示者前臂和膝盖上的模块化接触贴片。每个模块是 44×44 mm 的单元，携带一个力敏电阻；一块定制的 50×50 mm PCB 以 1 kHz 同时采集最多 16 个通道。模块通过磁吸拼接成不同形状和范围的贴片，因此同一套传感设计可以覆盖不同演示者和身体部位。
接触状态按每个通道的自适应基线做二值化，而不是用绝对阈值，因为力敏电阻的阻值会随温度和安装压力漂移。每块贴片都配有一个跟踪器，把传感器中心映射到世界坐标系，每个时间步生成一个 N×4 的接触数组：每个传感器对应一个二值接触状态和一个三维位置。这些序列用于监督策略的接触目标预测，二值状态则告诉控制器何时跟踪某个接触位置。
遮掉身体区域以缩小视角差异
全身接触常发生在夹爪后方、腕部相机视野之外，因此策略需要视野更广的自我中心视角。但这个视角也会拍到演示者的身体，造成与机器人之间的外观不匹配，而人和机器人的身高差异又会改变视角。PanTact 使用三维自我中心点图，并用几何方式遮掉身体区域：每个夹爪坐标系和接触贴片定义一个朝向身体的半空间，这些半空间的交集近似身体区域，再在视觉编码器的注意力层中遮掉对应点。
策略是一个以 10 Hz 运行的扩散策略，预测 16 步的动作块。每一步包含头部注视点、目标末端执行器姿态和夹爪开度，以及接触目标。一个接触目标由二值状态和位置组成；只有激活的目标才要求机器人在该点接触，未激活的目标不要求复现该传感器在自由空间中的轨迹。正是这一区分，使机器人不会被那些不携带任务相关接触的身体运动过度约束。
任意表面目标让机器人自选身体部位
控制器把末端执行器轨迹和接触目标转换为全身运动，只在预测状态为激活时跟踪接触位置。接触目标不会被分配给某个特定机器人连杆。控制器用一个平滑的邻近距离目标，衡量指令接触点到最近候选机器人表面的距离，并驱动该距离趋近于零。由于目标不绑定连杆，控制器可以在保持平衡的同时，选择最适合机器人的身体表面。
论文测试了三种方案：上半身接触感知逆运动学、由稠密跟踪器执行的全身逆运动学，以及直接稀疏接触跟踪。在仿真中回放演示轨迹时，加入接触目标降低了每个控制器的接触表面距离，而末端执行器跟踪精度的损失很小。启用接触目标后，上半身逆运动学取得最低的上半身末端执行器误差，稀疏接触跟踪器取得最小的接触距离，并在上半身评估的两项指标上都优于全身逆运动学加稠密跟踪器。
三项接触密集任务的实机结果
所有硬件实验都使用 29 自由度 Unitree G1，其夹爪和相机与数据采集接口相对应；每种方法都用相同的演示训练，并在匹配的测试配置下评估。在抓取并环抱任务中，机器人先抓起一个小物体，再用双臂环抱一个大物体，成功需要同时移动两者。PanTact 配上半身逆运动学在 20 次试验中达到 85%，稀疏接触跟踪器为 80%；Humanoid UMI 始终无法支撑大物体，因为它的控制器只跟踪末端执行器指令，手臂姿态没有被指定。
在清扫并收纳任务中，机器人先用手臂把高物体扫入箱子，再用下半身表面把柜门推上。端到端得分是清扫得分与关柜得分的乘积，PanTact 配全身逆运动学加稠密跟踪器在 16 次试验中达到 90.63%，这些试验平均分配到已见和未见物体条件。值得注意的是，机器人用腕部、前臂或夹爪侧面清扫，用膝盖或脚关柜，超出了演示中的前臂和左膝接触。Humanoid UMI++ 经常漏掉物体或把物体打出箱外，也更常接近关节极限；作者认为，这可能源于同时跟踪手部和膝部姿态时，人和机器人的比例差异。
在搬运并推动任务中，机器人用双臂抱着一个箱子，走向地上一个更大的箱子，并把它推动超过 20 cm。PanTact 配全身逆运动学加稠密跟踪器在 10 次试验中达到 90%，失败发生在机器人掉落所抱箱子时，稀疏跟踪器和 Humanoid UMI++ 更常出现这种情况。基线持续跟踪膝部姿态，并出现明显的膝部姿态误差；PanTact 只在接触激活阶段施加腿部接触目标，并在这些阶段更准确地跟随指令的腿部接触位置。
两种跟踪器的取舍出现在哪里
控制器比较并不是一个单一排名。对于上半身任务，稀疏接触跟踪器取得最小的接触表面距离，也在末端执行器误差上优于全身逆运动学加稠密跟踪器；报告的是 10 条抓取并环抱轨迹上每条轨迹中位误差的中位数。对于全身任务，评估使用 20 条轨迹，平均分配到清扫并收纳和搬运并推动，两种跟踪器各有取舍：稀疏跟踪器的接触距离更低，但末端执行器误差高于全身逆运动学加稠密跟踪器。
这一分化就是论文的实用读法。如果任务依赖精确的手部放置，稠密跟踪器方案更合适；如果优先让身体表面到达接触目标，稀疏跟踪器更受青睐。论文自己的任务结果也遵循这一模式：抓取并环抱使用上半身逆运动学，两个全身任务使用全身逆运动学加稠密跟踪器。
演示数据与仿真训练划定的边界
控制器在 4096 个并行仿真环境中用 PPO 训练，使用事后标注的回放数据，并对质量、摩擦和接触目标扰动做域随机化。论文指出，这能直接学到全身接触的实现，代价是需要仿真训练并依赖训练分布。演示本身的范围也有限：抓取并环抱 100 条、清扫并收纳 150 条、搬运并推动 110 条，硬件评估则分别为 20、16 和 10 次试验。
报告中的失败也标出了边界。抓取并环抱的偶发失败发生在夹爪没抓中小物体时，作者指出夹爪会继续向前伸，直到接近手臂关节极限，这可能反映累积的跟踪误差把观测带出了策略的训练分布。偶发的柜门只关上一部分，发生在控制器优先保持平衡而非到达接触目标时。这些是接触实现和分布上的限制，并不能证明该方法可扩展到任意任务或任意机器人形态。
为什么激活的接触目标才是重点
这篇论文中最影响判断的区分，是激活与未激活的接触目标。只有激活的目标才要求在预测位置发生接触；未激活的目标不要求复现演示者在自由空间中的身体运动。因此机器人可以用膝盖或脚关柜，而不是演示中的左膝；也可以用腕部或夹爪侧面清扫，而不是演示中的前臂。控制器可以自由选择一种既能满足任务关键接触、又能保持平衡的身体构型。
因此，对于比较全身操作方法的读者，这篇论文的优先级不是最大化的姿态保真度，而是在机器人自身约束下的接触保真度。支持这一优先级的证据有两部分：控制器比较中，加入接触目标降低了每个控制器的接触表面距离，而末端执行器精度损失很小；任务结果中，仅姿态的基线恰恰在它们未指定的接触上失败——抓取并环抱中的手臂支撑、清扫并收纳中的手臂正则化，以及搬运并推动中行走时持续的手臂支撑。
本文引用的文献
PanTact: Teaching Whole-Body Dexterity with a Wearable Contact Interface
PanTact 从无机器人的人类演示中学习人形机器人全身操作，迁移的是接触目标而非身体姿态；在 29 自由度 Unitree G1 上、不额外加装身体接触传感器的情况下，抓取并环抱成功率为 85%，清扫并收纳端到端成功率为 90.63%，搬运并推动为 90%。