DexTac：通过手部示教学习接触感知的视觉-触觉策略
机器人学
2026-01-30 v1
摘要
对于接触密集型任务，生成产生全面触觉感知运动的策略至关重要。然而，现有的指尖操作数据收集和技能学习系统常因触觉信息维度低下而受限。为解决这一限制，我们提出了 DexTac，这是一个基于亲自教学的视觉-触觉操作学习框架。DexTac 直接从人类演示中捕获多维触觉数据，包括接触力分布和空间接触区域。通过将这些丰富的触觉模态整合到策略网络中，所得的接触感知智能体能够在复杂交互中自主选择并维持最佳接触区域。我们在一个具有挑战性的单手注射任务上进行评估。实验结果显示，DexTac 实现了 91.67% 的成功率。值得注意的是，在涉及小型针头的高精度场景中，我们的方法相对于仅基于力量的基线提升了 31.67%。这些结果凸显了从人类演示中学习多维触觉先验对于实现接触丰富环境中稳健、类人指尖操作至关重要。
引用
@article{arxiv.2601.21474,
title = {DexTac: Learning Contact-aware Visuotactile Policies via Hand-by-hand Teaching},
author = {Xingyu Zhang and Chaofan Zhang and Boyue Zhang and Zhinan Peng and Shaowei Cui and Shuo Wang},
journal= {arXiv preprint arXiv:2601.21474},
year = {2026}
}