FORCA 是一套面向接觸密集型機器人操作任務的“力感知程式設計智慧體”，由 Xiao Tan 與另外三位作者共同完成，相關論文於 2026 年 10 月 22 日提交至 arXiv，編號為 arXiv:2610.31841，歸屬機器人學（cs.RO）分類。研究團隊同時提供了專案網站連結，並給出了 DOI（10.48550/arXiv.2610.31841），該 DOI 由 DataCite 分配，目前尚待正式註冊。論文的提交記錄顯示，第一版於 2026 年 10 月 22 日 19:24:48 UTC 上傳，檔案大小約 9,074 KB，提交者為 Yixuan Wang，論文可透過 PDF、實驗性 HTML 頁面以及 TeX 原始碼等形式獲取。
論文關注的核心問題是：在接觸密集的操作場景中，機器人需要根據真實物理互動來生成並不斷修正控制邏輯。現有的程式設計智慧體能夠把自然語言指令翻譯成機器人程式，但僅憑視覺資訊往往難以處理接觸過程中的力反饋問題。為此，FORCA 在輸入端同時接收視覺觀測與腕部力/力矩（F/T）測量資料，並以此為基礎編寫 Python 程式，用於接觸探測以及隨力響應的運動控制。
FORCA 的一個關鍵設計在於“執行之間的自我診斷”機制。每次執行結束後，智慧體會把力記錄與視覺結果放在一起分析，據此判斷任務失敗的原因，並同時修改運動邏輯與力反饋控制邏輯。值得注意的是，這套方法不需要演示資料，不需要針對具體任務進行訓練，也不依賴模擬環境，從而降低了部署門檻。
在真實機器人實驗中，研究團隊用五個任務驗證了 FORCA 的有效性，覆蓋接觸密集操作的三種典型形態：一是提升操作精度；二是適應物體或表面屬性的變化；三是在表面存在差異、物體發生移動的情況下調節接觸力度。與同一智慧體的純視覺版本相比，FORCA 在抓取精度和任務成功率上都有提升，並在擦拭與剝離任務中減少了接觸丟失的情況。這些對比結果為力反饋資訊在接觸密集型操作中的價值提供了直接的實驗支援。