ETac: A Lightweight and Efficient Tactile Simulation Framework for Learning Dexterous Manipulation

📄 arXiv: 2604.20295v1 📥 PDF

作者: Zhe Xu, Feiyu Zhao, Xiyan Huang, Chenxi Xiao

分类: cs.RO

发布日期: 2026-04-22

💡 一句话要点

ETac：一种轻量高效的触觉模拟框架，用于灵巧操作学习。

🎯 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: 触觉模拟 灵巧操作 强化学习 数据驱动 软体机器人 触觉传感器

📋 核心要点

  1. 现有软体模拟在触觉操作学习中面临高保真和计算成本之间的权衡，限制了策略训练的规模和效率。
  2. ETac采用数据驱动的变形传播模型，轻量级地模拟软体接触动力学，实现高保真和高效率的平衡。
  3. 实验表明，ETac在单个GPU上实现了高吞吐量，并成功训练了高成功率的盲抓取策略，验证了其有效性。

📝 摘要（中文）

本文提出了一种名为ETac的触觉模拟框架，旨在高效且高保真地模拟弹性软体交互，从而促进灵巧操作策略的学习。ETac采用轻量级的数据驱动变形传播模型来捕捉软体接触动力学，在保证模拟质量的同时显著提升效率，从而支持大规模策略训练。作为模拟后端，ETac能够生成与有限元分析(FEM)相当的表面变形估计，并适用于真实触觉传感器的建模。实验证明，ETac能够训练利用大面积触觉反馈来操作各种物体的盲抓取策略。在单个RTX 4090 GPU上，ETac支持4096个并行环境的强化学习，总吞吐量达到869 FPS。最终策略在四种物体类型上实现了84.45%的平均成功率，突显了ETac在触觉技能学习方面的效率和可扩展性。

🔬 方法详解

问题定义：现有的触觉操作学习方法依赖于软体模拟，但高精度的有限元方法（FEM）计算成本过高，难以支持大规模的强化学习。而低精度的模拟方法又无法准确反映触觉传感器的反馈，影响策略的训练效果。因此，如何在保证模拟精度的前提下，提高触觉模拟的效率，是本文要解决的关键问题。

核心思路：ETac的核心思路是利用数据驱动的方法，学习一个轻量级的变形传播模型，该模型能够快速预测软体在接触过程中的表面变形。通过预先计算并存储一些关键的变形模式，并在运行时通过插值和组合这些模式来预测新的变形，从而避免了耗时的物理引擎计算。

技术框架：ETac框架主要包含离线数据生成和在线模拟两个阶段。离线阶段，使用高精度的有限元方法（FEM）生成大量的接触数据，包括不同接触位置、接触力和物体形状下的表面变形。在线阶段，ETac利用这些数据训练一个变形传播模型，该模型能够根据当前的接触状态（例如接触位置和力）快速预测软体的表面变形。然后，将这些变形信息传递给触觉传感器模型，生成触觉反馈信号。

关键创新：ETac的关键创新在于其轻量级的数据驱动变形传播模型。与传统的基于物理的模拟方法相比，该模型避免了复杂的物理计算，从而显著提高了模拟效率。与直接学习触觉反馈信号的方法相比，ETac首先预测表面变形，然后再生成触觉反馈，这使得模型具有更好的泛化能力和可解释性。

关键设计：ETac使用径向基函数（RBF）网络来学习变形传播模型。RBF网络的输入是接触位置和力，输出是表面变形。为了提高模型的泛化能力，ETac还采用了数据增强技术，例如随机旋转和缩放物体。在训练过程中，使用均方误差（MSE）作为损失函数，优化RBF网络的参数。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，ETac在模拟精度上与有限元方法（FEM）相当，但在效率上提高了数个数量级。在单个RTX 4090 GPU上，ETac支持4096个并行环境的强化学习，总吞吐量达到869 FPS。使用ETac训练的盲抓取策略在四种物体类型上实现了84.45%的平均成功率，显著优于其他基于视觉的抓取方法。

🎯 应用场景

ETac框架可广泛应用于机器人灵巧操作、虚拟现实触觉反馈、以及触觉传感器设计等领域。通过高效的触觉模拟，可以加速机器人学习操作技能，提高机器人在复杂环境中的适应能力。此外，ETac还可以用于评估不同触觉传感器的性能，并为新型触觉传感器的设计提供指导。

📄 摘要（原文）

Tactile sensors are increasingly integrated into dexterous robotic manipulators to enhance contact perception. However, learning manipulation policies that rely on tactile sensing remains challenging, primarily due to the trade-off between fidelity and computational cost of soft-body simulations. To address this, we present ETac, a tactile simulation framework that models elastomeric soft-body interactions with both high fidelity and efficiency. ETac employs a lightweight data-driven deformation propagation model to capture soft-body contact dynamics, achieving high simulation quality and boosting efficiency that enables large-scale policy training. When serving as the simulation backend, ETac produces surface deformation estimates comparable to FEM and demonstrates applicability for modeling real tactile sensors. Then, we showcase its capability in training a blind grasping policy that leverages large-area tactile feedback to manipulate diverse objects. Running on a single RTX 4090 GPU, ETac supports reinforcement learning across 4,096 parallel environments, achieving a total throughput of 869 FPS. The resulting policy reaches an average success rate of 84.45% across four object types, underscoring ETac's potential to make tactile-based skill learning both efficient and scalable.