DexSkin: High-Coverage Conformable Robotic Skin for Learning Contact-Rich Manipulation
作者: Suzannah Wistreich, Baiyu Shi, Stephen Tian, Samuel Clarke, Michael Nath, Chengyi Xu, Zhenan Bao, Jiajun Wu
分类: cs.RO, cs.CV, cs.LG
发布日期: 2025-09-23
备注: Accepted to CoRL 2025
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
DexSkin：高覆盖、可形变机器人皮肤，用于学习接触丰富的操作
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 机器人皮肤 触觉感知 灵巧操作 电容式传感器 模仿学习
📋 核心要点
- 灵巧操作机器人缺乏类似人类皮肤的触觉感知能力，难以应对复杂接触任务。
- DexSkin是一种软性、可形变的电子皮肤，提供高覆盖、灵敏且可校准的触觉感知。
- 实验证明DexSkin在物体重定向、弹性带包裹等任务中表现出色，并支持模型迁移和在线强化学习。
📝 摘要（中文）
本文介绍了一种名为DexSkin的软性、可形变电容式电子皮肤，它能够实现灵敏、定位准确且可校准的触觉感知，并可根据不同的几何形状进行定制。该皮肤能够覆盖较大区域并适应轮廓，从而复制人类皮肤的触觉感知能力，解决灵巧机器人操作系统中触觉感知的长期挑战。通过在平行爪夹持器的指尖上部署DexSkin，实现了几乎整个指尖表面的触觉覆盖。实验结果表明，DexSkin在学习需要指尖表面全覆盖的复杂操作任务（如手中物体重定向和用弹性带包裹盒子）方面非常有效。此外，DexSkin经过校准后，能够实现传感器实例之间的模型迁移，并适用于真实机器人上的在线强化学习。这些结果突显了DexSkin在学习真实世界、接触丰富的操作方面的适用性和实用性。
🔬 方法详解
问题定义：现有机器人触觉感知系统难以提供高覆盖、可形变的触觉感知，限制了机器人在接触丰富的操作任务中的应用。传统传感器通常覆盖范围有限，难以适应复杂物体的表面轮廓，并且不同传感器之间的差异性导致模型难以迁移。
核心思路：本文的核心思路是设计一种软性、可形变的电容式电子皮肤DexSkin，它能够提供高覆盖、灵敏且可校准的触觉感知。通过电容变化感知压力，并利用软性材料适应物体表面轮廓，从而实现对接触事件的精确定位和感知。此外，通过校准方法，可以减少不同传感器之间的差异，实现模型迁移。
技术框架：DexSkin系统主要包含以下几个部分：1）软性电容式传感器阵列，用于感知压力；2）数据采集系统，用于读取传感器数据；3）校准模块，用于校准不同传感器之间的差异；4）学习算法，用于学习操作策略。整个流程包括：首先，将DexSkin安装在机器人夹持器上；然后，通过数据采集系统获取触觉数据；接着，利用校准模块对数据进行校准；最后，使用学习算法（如模仿学习或强化学习）学习操作策略。
关键创新：DexSkin的关键创新在于其高覆盖、可形变的特性，以及可校准性。与传统的刚性传感器相比，DexSkin能够更好地适应复杂物体的表面轮廓，提供更全面的触觉信息。此外，通过校准方法，可以减少不同传感器之间的差异，实现模型迁移，从而提高学习效率。
关键设计：DexSkin采用电容式传感原理，通过测量电容变化来感知压力。传感器阵列采用柔性材料制成，可以适应物体表面轮廓。校准模块使用线性回归模型，将不同传感器的数据映射到统一的坐标系下。在学习算法方面，本文使用了模仿学习和强化学习，并针对触觉数据的特点进行了优化。
🖼️ 关键图片
📊 实验亮点
实验结果表明，DexSkin在物体重定向和弹性带包裹等复杂操作任务中表现出色。例如，在使用DexSkin的机器人夹持器进行物体重定向任务时，成功率显著提高。此外，通过校准，DexSkin能够实现传感器实例之间的模型迁移，从而减少了训练数据需求。在在线强化学习实验中，DexSkin也表现出良好的性能，证明了其在真实机器人环境中的适用性。
🎯 应用场景
DexSkin在机器人灵巧操作领域具有广泛的应用前景，例如：工业自动化中的精密装配、医疗机器人中的微创手术、家庭服务机器人中的物体抓取等。通过提供高覆盖、灵敏的触觉感知，DexSkin可以提高机器人的操作精度和鲁棒性，使其能够更好地适应复杂环境和完成各种操作任务。未来，DexSkin有望成为机器人触觉感知的重要组成部分，推动机器人技术的发展。
📄 摘要（原文）
Human skin provides a rich tactile sensing stream, localizing intentional and unintentional contact events over a large and contoured region. Replicating these tactile sensing capabilities for dexterous robotic manipulation systems remains a longstanding challenge. In this work, we take a step towards this goal by introducing DexSkin. DexSkin is a soft, conformable capacitive electronic skin that enables sensitive, localized, and calibratable tactile sensing, and can be tailored to varying geometries. We demonstrate its efficacy for learning downstream robotic manipulation by sensorizing a pair of parallel jaw gripper fingers, providing tactile coverage across almost the entire finger surfaces. We empirically evaluate DexSkin's capabilities in learning challenging manipulation tasks that require sensing coverage across the entire surface of the fingers, such as reorienting objects in hand and wrapping elastic bands around boxes, in a learning-from-demonstration framework. We then show that, critically for data-driven approaches, DexSkin can be calibrated to enable model transfer across sensor instances, and demonstrate its applicability to online reinforcement learning on real robots. Our results highlight DexSkin's suitability and practicality for learning real-world, contact-rich manipulation. Please see our project webpage for videos and visualizations: https://dex-skin.github.io/.