机器人在开放环境中操作时，会遇到未知的物理特性的新对象，需要通过交互来感知这些特性，并利用生成的世界模型来估计物体的物理参数，并开发一种信息收集模型预测控制器，以自主学习触觉探索策略。我们的研究在虚拟环境中评估了这种方法，发现我们的方法能够以直观的方式高效地收集关于所需特性的信息。最后，我们在真实机器人系统上验证了我们的方法，成功地从零开始学习和执行信息收集策略以估计物体的高度。

Nov, 2023

该研究提出一种名为 TANDEM 的框架，通过协同训练的探索和判断模块，实现机器人通过触觉信息进行目标识别任务，具有更高的准确性和更强的鲁棒性。

Mar, 2022

GEOTACT 是一种能够从颗粒介质中挖掘出埋藏物体的机器人操控方法，通过纯粹依靠触觉反馈与颗粒介质交互，以及通过学习方法训练来降低噪音干扰，并成功在真实硬件上实现了从颗粒环境中可靠地获取不同物体的目标。

Feb, 2024

提出了一种名为触觉主动推理强化学习（Tactile Active Inference Reinforcement Learning，Tactile-AIRL）的机器人操作技能学习新方法，通过整合基于模型的技术和内在好奇心进入强化学习过程，有效提高算法的训练效率和对稀疏奖励的适应能力，并利用视觉触觉传感器提供详细的感知，通过自由能最小化进行想象和规划，证明了该方法在非抓取物体推动任务中取得了显著的高训练效率，使智能体在密集和稀疏奖励任务中优秀表现，几次交互即可超越基准模型，并通过螺纹拧紧任务进行了物理实验，展示了算法的快速学习能力和在实际应用中的潜力。

Nov, 2023

本文研究了在视觉感知缺失，对象形状未知且对象可以自由运动的场景下的物体检索问题，提出了一种使用触觉反馈进行定位、识别和抓取新对象的系统。

Mar, 2023

本研究提出了一种基于 DIGIT 触觉传感器的视触对象重建框架 VTacO，并将其扩展到手 - 物体重建的 VTacOH，并通过 VT-Sim 模拟环境生成了大规模的训练数据集进行评估，展示了其在刚性和不可变形物体重建上具有优异的表现。

Mar, 2023

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

本文提出了一种基于 co-training 框架和 PointNet++ 的 TANDEM3D 三维物体触觉识别方法，在模拟环境中进行训练并在真实世界实验中进行验证，相比现有基准，TANDEM3D 在 3D 物体识别方面具有更高的准确度和更低的动作次数，并且对不同类型和数量的传感器噪声更加鲁棒。

Sep, 2022

本研究通过深度强化学习技术在机器人领域实现了触觉信息处理、迁移学习、以及力控制等方面的初步成果。

Nov, 2023

通过利用视觉奖励来优化敏感性策略的触觉适应 (TAVI) 框架，通过在线强化学习，在多指机器人上取得了可观的成功率，提高了性能。

Sep, 2023