<mark id="oztn4"></mark>
0
| 本文作者： 吳思夢 | 2026-05-28 15:14 | 專題：ICRA 國際機器人與自動化會議 |
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(公眾號：雷峰網)
專題
