TactileStep: Sole Tactile Learning for Regulating Foot-Terrain Interaction in Humanoid Locomotion
作者: Zizhuo Wang, Ming-ju Lee, Shaoting Zhu, Haozhe Lou, Hang Zhao, Yiming Li
分类: cs.RO
发布日期: 2026-09-24
💡 一句话要点
提出TactileStep以解决类人机器人足部与地面交互问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 类人机器人 触觉反馈 运动控制 压力传感 安全着陆 稳定支撑 仿真学习
📋 核心要点
- 现有类人机器人在复杂地形中运动时，缺乏有效的触觉反馈，导致着陆和支撑不稳定。
- TactileStep框架通过引入足底压力传感器，实现触觉学习，优化足部与地面的交互。
- 实验结果表明，TactileStep显著降低了着陆冲击力和噪声，同时提高了支撑接触面积。
📝 摘要（中文）
类人机器人在进行极限运动时能够穿越多种地形，但在完成任务时可能面临剧烈着陆、边缘接触和不稳定支撑接触等挑战。人类通过触觉反馈自然调节足部与地面的交互，调整接触的柔韧性以适应地形的硬度。为了解决这一问题，本文提出了TactileStep，一个可部署的触觉学习框架，将足底压力传感引入类人机器人运动控制中，以实现更柔和的着陆和更稳定的支撑。TactileStep将触觉仿真与真实压力鞋垫对齐，使得策略能够从硬件上可用的接触特征中学习。在训练过程中，利用触觉和运动线索识别不同的足部接触阶段，并应用阶段感知奖励，以鼓励更安全的着陆和更稳定的姿态。通过在仿真和Unitree G1类人机器人上进行多种地形的评估，TactileStep将峰值着陆力降低了最多48.8%，峰值A加权冲击噪声降低了最多30.1 dB，同时增加了支撑接触面积最多23.8%。
🔬 方法详解
问题定义：本文旨在解决类人机器人在复杂地形中运动时缺乏触觉反馈的问题，现有方法无法有效应对剧烈着陆和不稳定支撑的挑战。
核心思路：TactileStep框架通过整合足底压力传感器与触觉学习，允许机器人根据地形的硬度调节接触的柔韧性，从而实现更安全的着陆和更稳定的支撑。
技术框架：该框架包括触觉仿真模块和真实压力鞋垫的对齐，训练过程中利用触觉和运动线索识别足部接触阶段，并应用阶段感知奖励。
关键创新：TactileStep的核心创新在于将触觉反馈引入类人机器人运动控制中，填补了人类与机器人在足部交互上的关键差距。
关键设计：在训练过程中，采用了阶段感知奖励机制，设计了特定的损失函数和网络结构，以优化机器人的着陆和支撑性能。通过对接触特征的学习，机器人能够在不同地形中表现出更好的适应性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，TactileStep在Unitree G1类人机器人上实现了峰值着陆力降低最多48.8%，峰值A加权冲击噪声降低最多30.1 dB，同时支撑接触面积增加最多23.8%。这些结果相较于强感知基线表现出显著的提升，验证了该框架的有效性。
🎯 应用场景
TactileStep的研究成果可广泛应用于类人机器人在复杂环境中的自主运动，特别是在救援、探险和极限运动等领域。通过提高机器人的触觉反馈能力，能够显著提升其在不稳定地形中的安全性和稳定性，具有重要的实际价值和未来影响。
📄 摘要（原文）
Humanoid parkour policies can traverse various terrains, but task completion may mask challenges of harsh landings, edge contacts, and unstable stance contacts. Humans naturally regulate foot-terrain interaction through tactile feedback, modulating contact compliance according to terrain stiffness. This highlights a key domain gap between humans and humanoid robots: the absence of rich tactile sensing in most humanoid systems. We address this problem with TactileStep, a deployable tactile learning framework that brings sole pressure sensing into humanoid locomotion control for softer touchdowns and more stable support. TactileStep aligns tactile simulation with the real pressure insole, allowing the policy to learn from the same contact features available on hardware. During training, we use tactile and motion cues to recognize different foot-contact phases and apply phase-aware rewards that encourage safer landing and more stable stance. Evaluated in simulation and on a Unitree G1 humanoid across diverse terrains, TactileStep reduces peak touchdown force by up to 48.8% and peak A-weighted impact noise by up to 30.1 dB over a strong perceptive baseline, while increasing stance contact area by up to 23.8%.