FORCA 是一套面向接触密集型机器人操作任务的“力感知编程智能体”，由 Xiao Tan 与另外三位作者共同完成，相关论文于 2026 年 10 月 22 日提交至 arXiv，编号为 arXiv:2610.31841，归属机器人学（cs.RO）分类。研究团队同时提供了项目网站链接，并给出了 DOI（10.48550/arXiv.2610.31841），该 DOI 由 DataCite 分配，目前尚待正式注册。论文的提交记录显示，第一版于 2026 年 10 月 22 日 19:24:48 UTC 上传，文件大小约 9,074 KB，提交者为 Yixuan Wang，论文可通过 PDF、实验性 HTML 页面以及 TeX 源码等形式获取。
论文关注的核心问题是：在接触密集的操作场景中，机器人需要根据真实物理交互来生成并不断修正控制逻辑。现有的编程智能体能够把自然语言指令翻译成机器人程序，但仅凭视觉信息往往难以处理接触过程中的力反馈问题。为此，FORCA 在输入端同时接收视觉观测与腕部力/力矩（F/T）测量数据，并以此为基础编写 Python 程序，用于接触探测以及随力响应的运动控制。
FORCA 的一个关键设计在于“执行之间的自我诊断”机制。每次执行结束后，智能体会把力记录与视觉结果放在一起分析，据此判断任务失败的原因，并同时修改运动逻辑与力反馈控制逻辑。值得注意的是，这套方法不需要演示数据，不需要针对具体任务进行训练，也不依赖仿真环境，从而降低了部署门槛。
在真实机器人实验中，研究团队用五个任务验证了 FORCA 的有效性，覆盖接触密集操作的三种典型形态：一是提升操作精度；二是适应物体或表面属性的变化；三是在表面存在差异、物体发生移动的情况下调节接触力度。与同一智能体的纯视觉版本相比，FORCA 在抓取精度和任务成功率上都有提升，并在擦拭与剥离任务中减少了接触丢失的情况。这些对比结果为力反馈信息在接触密集型操作中的价值提供了直接的实验支持。