通过使用触觉传感器而无需依赖视觉信息，我们介绍了一个多指机器人系统，用于搜索和操纵随机位置的目标物体，并在模拟环境中训练和转移政策，证明了使用触觉传感器进行物体搜索和操纵任务的可行性，以实现赋予机器人类似人类触觉能力的目标。

Jan, 2024

本论文探究将触觉感应应用于物理机器人相互作用的视频预测模型，结果表明增加触觉反馈有助于提高场景预测准确性和增强机器人在物理相互作用过程中的感知和理解能力。

Apr, 2023

在未知干扰环境中，通过提出触觉显著性预测方法，可以提高机器人对触觉的鲁棒控制，并精确预测真实触觉图像中的目标特征。

Jul, 2023

本论文提出了一个基于深度学习的端到端操作条件模型，通过学习来自 GelSight 传感器的神经张量图像的触觉和视觉数据，从而使机器人学会了如何使用触觉信息来调整其抓取力度，以达到高效的抓取。

May, 2018

本文章提出了一种使用基于视觉的触觉传感器进行交互式感知的方法，其中训练了一个深度神经网络来预测任意形状的零件的概率对应关系，并设计了一个粒子滤波器来优化感知任务并提高机器人操作的效率。

Mar, 2023

机器人和人工智能领域中，触觉处理的整合越来越关键，特别是在学习如对齿轮和插入等复杂任务时。然而，现有的关于插入任务的触觉方法的研究主要依赖机器人远程操作数据和强化学习，并没有充分利用人类在触觉反馈指导下的控制策略所提供的丰富见解。为了利用人类的感知，与学习源自人类的方法相比，方法学上主要利用视觉反馈，常常忽视人类在完成复杂操纵时固有地使用的宝贵触觉反馈。为填补这一差距，我们引入了一种名为 “MimicTouch” 的新框架，该框架模仿人类的触觉引导控制策略。在这个框架中，我们首先从人类示范者那里收集多模态触觉数据集，将人类的触觉引导控制策略融入到任务完成中。其后的步骤涉及使用多模态传感器数据和重新定位的人类动作通过模仿学习指导机器人。为了进一步缩小人类与机器人之间的差距，我们在物理机器人上采用在线剩余强化学习。通过全面的实验证明，在从人类到机器人的过程中，MimicTouch 的潜在策略通过模仿学习的方式转移是安全和可行的。这项正在进行的工作将为更广泛的触觉引导机器人应用铺平道路。

Oct, 2023

利用视触知觉感知和深度学习的方法来进行机器人操作，其中结合了视触反馈，通过学习神经网络模型进行物体状态估计和未来状态预测。通过使用真实世界的数据进行训练，该模型可以在在线适应中进行触觉信息驱动的预测，具有较强的有效性。

Jul, 2024

使用触觉传感器，并通过模型无关的深度强化学习方法实现力量控制，能够在仿真环境中进行训练，然后转移到实际机器人上，实现模拟到实际的迁移。

Nov, 2023

本研究提出了一种新的基于触觉的灵巧性方法，即 T-Dex，通过两个阶段的操作，采集游戏数据训练自监督触觉编码器，并结合视觉数据学习非参数策略，结果表明，在五个挑战灵巧任务中，该方法平均优于只采用视觉或扭矩的模型高达 1.7 倍。

Mar, 2023

LeTac-MPC 是一种基于学习的模型预测控制（MPC）方法，通过利用视觉基于触觉传感器 GelSight 的高分辨率触觉反馈，实现了对不同物体物理特性的动态和力交互任务中的稳健抓取控制。

Mar, 2024