Grasp, Slide, Roll: Comparative Analysis of Contact Modes for Tactile-Based Shape Reconstruction
作者: Chung Hee Kim, Shivani Kamtikar, Tye Brady, Taskin Padir, Joshua Migdal
分类: cs.RO
发布日期: 2026-02-26
备注: 8 pages, 11 figures, Accepted by ICRA 2026
💡 一句话要点
研究触觉抓取、滑动、滚动三种模式，加速物体形状重建。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 触觉感知 形状重建 机器人灵巧手 信息论探索 滑动 滚动 抓取 物理交互
📋 核心要点
- 现有触觉物体识别方法效率低，需要大量物理交互才能获得足够的信息。
- 结合抓取、滑动、滚动三种触觉模式，并使用信息论指导采样，提升数据获取效率。
- 实验表明，滑动和滚动模式能显著减少交互次数，并提高物体形状重建的准确性。
📝 摘要（中文）
触觉传感使机器人能够通过物理交互收集关于物体的详细几何信息，是对基于视觉方法的补充。然而，由于物理接触耗时，以及需要策略性地选择接触位置以最大化信息增益并最小化物理交互，因此高效地获取有用的触觉数据仍然具有挑战性。本文研究了不同的接触模式如何影响使用触觉灵巧手爪的物体形状重建。我们比较了三种接触交互模式：抓取-释放、手指掠过引起的滑动和手掌滚动。这些接触模式与信息论探索框架相结合，该框架使用形状补全模型来指导后续采样位置。结果表明，手指掠过和手掌滚动提高了触觉传感效率，从而加快了形状重建的收敛速度，减少了34%的物理交互，同时提高了55%的重建精度。我们使用配备Inspire-Robots灵巧手的UR5e机器人手臂验证了我们的方法，结果表明该方法在基本物体几何形状上表现出强大的性能。
🔬 方法详解
问题定义：论文旨在解决如何高效地利用触觉信息进行物体形状重建的问题。现有方法主要依赖于多次抓取和释放，效率较低，且需要仔细选择抓取位置以获得最大的信息增益。痛点在于物理交互耗时，且信息获取效率不高。
核心思路：论文的核心思路是探索不同的触觉交互模式（抓取、滑动、滚动）对形状重建的影响，并结合信息论的探索框架，指导机器人选择最佳的触觉采样位置。通过更丰富的触觉信息获取方式，减少冗余的物理交互，从而加速形状重建过程。
技术框架：整体框架包含以下几个主要模块：1) 触觉数据采集模块：使用灵巧手爪进行抓取、滑动和滚动等操作，获取触觉传感器数据。2) 形状补全模型：利用已获得的触觉数据，建立物体的初步形状模型。3) 信息论探索模块：基于当前形状模型，计算不同采样位置的信息增益，指导机器人选择下一个最佳的触觉采样位置。4) 控制模块：控制机器人手臂和手爪执行相应的触觉交互动作。
关键创新：最重要的技术创新点在于对不同触觉交互模式的比较分析，以及将滑动和滚动模式引入到触觉形状重建中。与传统的仅依赖抓取的方法相比，滑动和滚动能够提供更丰富的局部几何信息，从而提高重建效率和精度。
关键设计：论文的关键设计包括：1) 触觉传感器的选择和标定，确保能够准确获取接触力、位置等信息。2) 信息增益的计算方法，需要考虑触觉数据的噪声和不确定性。3) 形状补全模型的选择，需要能够有效地利用有限的触觉数据进行形状推断。4) 机器人运动规划策略，确保能够安全、高效地执行触觉交互动作。
🖼️ 关键图片
📊 实验亮点
实验结果表明，与仅使用抓取-释放模式相比，结合手指掠过和手掌滚动可以减少34%的物理交互，同时提高55%的形状重建精度。使用UR5e机器人手臂和Inspire-Robots灵巧手爪，在多种基本物体几何形状上验证了该方法的鲁棒性。这些结果表明，滑动和滚动模式能够显著提高触觉传感的效率和准确性。
🎯 应用场景
该研究成果可应用于机器人自动化装配、物体识别、质量检测等领域。例如，在自动化装配中，机器人可以通过触觉感知快速识别零件的形状和姿态，从而实现精准装配。在质量检测中，机器人可以通过触觉扫描检测产品的表面缺陷和几何偏差。未来，该技术有望应用于医疗机器人、服务机器人等领域，提升机器人的感知能力和操作精度。
📄 摘要（原文）
Tactile sensing allows robots to gather detailed geometric information about objects through physical interaction, complementing vision-based approaches. However, efficiently acquiring useful tactile data remains challenging due to the time-consuming nature of physical contact and the need to strategically choose contact locations that maximize information gain while minimizing physical interactions. This paper studies how different contact modes affect object shape reconstruction using a tactile-enabled dexterous gripper. We compare three contact interaction modes: grasp-releasing, sliding induced by finger-grazing, and palm-rolling. These contact modes are combined with an information-theoretic exploration framework that guides subsequent sampling locations using a shape completion model. Our results show that the improved tactile sensing efficiency of finger-grazing and palm-rolling translates into faster convergence in shape reconstruction, requiring 34% fewer physical interactions while improving reconstruction accuracy by 55%. We validate our approach using a UR5e robot arm equipped with an Inspire-Robots Dexterous Hand, showing robust performance across primitive object geometries.