论文导读
亚马逊、得克萨斯大学奥斯汀分校提出触觉分解与控制框架，把接触位置、力度分布和时间变化分别送给机器人策略。真实插孔任务中，同样30次测试，成功数从未分解触觉的14次增加到19次。研究还分别测试对齐与握力控制，检查哪类触觉信息对哪种操作有效。同一模型可选择几何、受力和接触变化信息，按任务组合机器人需要的感知信号。同一策略可切换触觉输入组合，无需为每种组合重新训练。
仿真触觉，要接到真实传感器读数
机器人在仿真中可以大量练习，但真实触觉传感器给出的读数受硬件和接触过程影响。把仿真接触简单变成“碰到了”，又会丢失位置、力度和变化线索。
研究团队用UR5e机械臂、Robotiq夹爪和两块电容式触觉垫，建立模拟接触与实际读数之间的共同表示。它从接触力和接触区域计算有效响应，再利用校准把真实传感器的读数转换到相同接口。
这个响应是为了控制可用而建立的量，不等于直接测出了压力、应变或材料机械状态。论文通过未参与拟合的接触位置和接触形状检查，确认它能保留后续任务需要的信息。
图：触觉垫按压与夹持标定的实物装置（Figure 4）。
位置、力度和变化，分别保留
响应被拆成三种表示：接触几何说明接触在哪里，力度分布说明各区域的相对受力，时间变化说明接触正在怎样改变。策略分别编码三类信息，再通过开关决定当前使用哪几路。
同一任务策略在训练中覆盖全部八种开关组合。测试时可以改变触觉输入组合，不必为每种组合重新训练，因而能检查成绩变化到底来自哪类信息。
硬件采集使用局部按压、边缘夹持和整面夹持。作者分别检查未见位置与未见接触类别，避免只用训练附近的接触点证明迁移能力。模型在边缘这类新接触上表现更好，并不表示它在所有训练点插值误差上都最低。
图：几何、力度和变化分路输入的控制结构（Figure 3）。
插孔成功率46.7%到63.3%，增幅约35.7%
插孔任务要求方形零件进入倾斜孔，并经过孔内两个突起后完全就位。初始抓握、位置和倾斜都有变化，控制器无法直接读取这些真实状态。
实机中，未分解响应成功14/30次，为46.7%；三路分解输入成功19/30次，为63.3%。相对提升约35.7%，绝对增加约16.7个百分点，两个数字不能混用。仿真里完整分解策略并未取得最高成功率，实机结果才是这里的主要对照。
图：倾斜孔、内部突起与方形零件插入装置（Figure 7）。
不同任务需要的信息并不相同。精细对齐更依赖几何线索，几何加时间变化在两种圆柱半径的1毫米间隙测试中分别成功9/10和8/10次。握力控制则更依赖力度信息，几何加力度组合在五种实测形状上平均误差1.69牛顿。
三路全部使用并非总是最好。握力任务中，完整组合误差2.28牛顿，高于部分含力度的组合；只增加信息通道，不能保证控制收益。
未来应用：换触觉前端，保留可选择的控制接口
当前有效响应的工作范围受到传感器压缩影响，论文只在每个感测单元约20牛顿以下认证其可用性。超过这个区间的高负载不能直接套用已有误差与迁移结论。
作者认为，更精细的前向接触模型可以替换现有模型，而下游仍使用共同响应接口。让不同触觉线索分别可选，也能把部署时的信息选择变成可测试的配置。
下一步可以在更多传感器和接触任务上分别测量：几何能否支持对齐、力度能否稳定握持、变化是否改善插入过程。现有三组独立任务已经提供了这种逐项验证方式。
参考资料
https://arxiv.org/abs/2610.10510
