Touch2Trace：用于灵巧线缆循迹的触觉驱动模仿学习

基于摘要分析。本文研究可变形物体的灵巧操作，具体任务是通过拇指与食指反复捏持、卷曲，将线缆连续送过机械手。作者提出触觉驱动的模仿学习系统 Touch2Trace，以指尖触觉支持对压力、摩擦及初始滑移的连续调节，不依赖视觉或显式线缆状态估计。 方法结合了针对定制 32×32 压阻式传感器 TacV5 进行自监督预训练的触觉编码器，以及通过遥操作示范、采用行为克隆训练的轻量级 transformer 策略，并在 Tesollo DG-5F 机械手上以 60 Hz 部署。摘要未提供自监督目标、触觉与本体感觉的融合方式、示范规模或策略具体结构，这些细节尚未验证。 作者报告，在摘要所述真实线缆循迹评估中，相较仅使用本体感觉的基线，加入触觉反馈后平均循迹距离由 0.2 cm 提升至 20.1 cm，成功率由 0% 提升至 93%；作者还报告了对未见线缆及布线条件的零样本迁移。摘要未说明成功判据、试验次数、线缆与条件划分，以及上述数值是否涵盖迁移评估，因此不能将这些指标直接视为未见条件下的成绩。 研究的主要阅读价值在于考察编码器预训练、控制频率、时间上下文与空间分辨率如何影响触觉策略表现；作者将其描述为据其所知首次对此开展系统真实环境表征。各项对照、消融幅度及统计信息尚未验证。本文的直接证据属于机器人触觉控制，而非 EEG 或 BCI；材料未提供足以支持具体 BCI 迁移方案的独立机制对应关系。