Learning Controlled Separation of Small Objects Between Two Fingers with a Tactile Skin
作者: Ulf Kasolowsky, Berthold Bäuml
分类: cs.RO
发布日期: 2026-05-29
💡 一句话要点
提出一种基于触觉皮肤的强化学习方法，用于机器人灵巧手控制分离微小物体
🎯 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: 触觉感知 强化学习 机器人灵巧手 物体分离 触觉皮肤
📋 核心要点
- 现有机器人操作小物体时，依赖视觉信息，易受遮挡和光照影响，鲁棒性不足。
- 提出利用指尖触觉皮肤的空间分辨能力，通过强化学习训练分离策略，实现仅凭触觉的物体分离。
- 实验表明，即使低分辨率触觉传感器也能显著提升分离性能，并成功迁移到真实机器人手上。
📝 摘要（中文）
本文提出并解决了一个新的任务：使用多用途机器人手的两个手指控制分离微小物体。具体而言，在抓取一盒微小物体后，需要丢弃其中一部分，直到手指间剩余所需数量。这些物体相对于手指宽度而言很小，例如直径仅为6毫米的小球。本文证明了仅使用触觉信息（无需视觉），通过指尖上空间分辨的触觉皮肤即可完成此任务。分离策略通过强化学习在模拟环境中训练，使用简单的稀疏奖励，即检查是否达到所需物体数量。模拟实验全面分析了使用空间分辨触觉反馈的优势：理想的高分辨率触觉传感器几乎可以完美地解决任务，而较低空间分辨率的传感器（此处为4x4触觉单元）相比仅使用手指关节传感器，仍可带来高达20%的性能提升。此外，本文还训练了一个估计器来预测真实接触位置。最后，成功地将该方法从模拟环境迁移到配备触觉皮肤的DLR-Hand II真实机器人手上。
🔬 方法详解
问题定义：论文旨在解决机器人灵巧手在抓取多个微小物体后，如何精确控制手指间剩余物体数量的问题。现有方法通常依赖视觉信息，但在物体拥挤或光照条件不佳时，视觉感知容易失效。此外，仅依靠关节角度等本体感受信息难以准确判断物体数量和位置，从而影响分离控制的精度。
核心思路：论文的核心思路是利用指尖触觉皮肤提供的空间分辨触觉信息，替代或补充视觉信息，实现更鲁棒和精确的物体分离控制。通过触觉传感器感知物体与手指的接触位置和压力分布，可以更准确地估计物体数量和位置，从而制定更有效的分离策略。
技术框架：整体框架包括以下几个主要模块：1) 触觉数据采集：使用安装在机器人手指上的触觉皮肤获取触觉数据。2) 强化学习训练：使用强化学习算法（具体算法未知）训练分离策略，输入为触觉数据和关节角度，输出为手指的动作。3) 状态估计（可选）：训练一个估计器，根据触觉数据预测物体的接触位置，辅助策略学习。4) 策略执行：将训练好的策略部署到真实机器人上，控制手指执行分离动作。
关键创新：论文的关键创新在于：1) 提出了基于触觉皮肤的微小物体分离任务。2) 证明了即使是低分辨率的触觉传感器也能显著提升分离性能。3) 成功实现了从模拟到真实的迁移，验证了方法的有效性。
关键设计：论文的关键设计包括：1) 使用稀疏奖励函数，仅在达到目标物体数量时给予奖励，鼓励策略学习。2) 详细分析了不同分辨率触觉传感器对性能的影响。3) 训练了一个额外的估计器来预测接触位置，但具体网络结构和损失函数未知。
🖼️ 关键图片
📊 实验亮点
模拟实验表明，使用高分辨率触觉传感器几乎可以完美解决物体分离任务。即使使用4x4的低分辨率触觉传感器，相比仅使用手指关节传感器，分离性能也能提升高达20%。此外，该方法成功地从模拟环境迁移到真实机器人DLR-Hand II上，验证了其在实际应用中的可行性。
🎯 应用场景
该研究成果可应用于自动化装配、精密仪器操作、医疗手术等领域。例如，在自动化装配线上，机器人可以利用该技术从一堆零件中精确抓取所需数量的零件。在医疗手术中，医生可以通过触觉反馈更精确地操作微型器械，提高手术精度和安全性。未来，该技术有望与视觉信息融合，实现更智能、更鲁棒的机器人操作。
📄 摘要（原文）
We introduce and solve the novel task of controlled separation of small objects with two fingers of a multi-purpose robotic hand: after grasping into a box of small objects, the task is to drop as many of them until a desired number remains between the fingers. The objects are small compared to the width of the fingers but also in absolute terms. In our case little pellets with a diameter of only 6mm are handled. We show that the task can be performed purely tactile (no vision) using a spatially-resolved tactile skin on a fingertip. The separation policy is trained in simulation via reinforcement learning using a straightforward sparse reward, which basically checks if the desired number of objects is reached. In simulation experiments, we provide an exhaustive analysis of the benefits of using spatially-resolved tactile feedback: while an ideal (high-resolution) tactile sensor allows solving the task almost perfectly, a sensor with lower spatial resolution (here 4x4 taxels) still leads to an improvement of up to 20% compared to using only the fingers' joint sensors. For this analysis, we further train an estimator alongside the policy that predicts the ground truth contact positions. Finally, we demonstrate the successful sim-to-real transfer for the DLR-Hand II equipped with a tactile skin.