原文作者:研夢非凡人工智能
原文鏈接:https://zhuanlan.zhihu.com/p/2031071527085528949
該研究由日本頂尖學府早稻田大學(Waseda University)的知名機器人實驗室(菅野重樹、尾形哲也團隊)等聯合提出。
arXiv 論文直達鏈接:https://arxiv.org/abs/2602.05468
TaSA: Two-Phased Deep Predictive Learning of Tactile Sensory Attenuation for Improving In-Grasp Manipulation (ICRA 2026)
【亮點速覽】
引入人類“感覺衰減”機制:人類在抓握時能本能地忽略自己手指間的相互觸碰,而專注于物體的觸感。但機器人多指靈巧手在操作時,手指間的碰撞(自我觸碰)產生的觸覺信號往往會淹沒外部物體的信號。TaSA框架首次在深度預測學習中引入了感覺衰減(Sensory Attenuation)機制。
解鎖高難度精細操作:賦予了機械手極高的觸覺辨識力,使其能夠在存在大量自我觸碰干擾的情況下,完成將自動鉛筆芯插入筆筒、硬幣投幣、回形針夾紙等極端精細的任務。
【創新點】
雙階段深度預測學習 (Two-Phased DPL):第一階段(自我觸碰學習):訓練一個全連接網絡(FCN),僅根據關節位置預測手指間自我觸碰產生的觸覺反饋;第二階段(運動學習):利用LSTM結合原始觸覺輸入和階段一預測的自我觸碰信號,過濾掉內部干擾,專注于外部物體的交互控制。
觸覺特征空間凈化:通過將自我預測作為基準進行剝離,算法有效縮小了由手指預緊力帶來的“噪聲方差”,使得真實物體接觸的特征邊界更加清晰(通過PCA分析證實)。
【成果】
![]()
圖2:TaSA(觸覺感覺衰減)雙階段深度預測學習框架。
雷峰網
特別聲明:以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布,本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.