基于软机器人的触觉记忆：通过掩码编码和软手腕实现稳健的物体插入

触觉记忆，即存储和检索触觉经验的能力，对充满不确定性的关键插入等接触丰富任务至关重要。为复制这一能力，我们引入了 Tactile Memory with Soft Robot (TaMeSo-bot)，该系统集成了软手腕和基于触觉检索的控制，以实现安全稳健的操纵。软手腕允许在数据收集期间进行安全的接触探索，而触觉记忆则通过检索重用过去的演示，以实现对未见情景的灵活适应。该系统的核心是 Masked Tactile Trajectory Transformer (MAT$^3$)，它联合建模机器人动作、分布式触觉反馈、力扭量测量和本体感知信号之间的时空相互作用。通过掩码标记预测，MAT$^3$ 通过推断上下文中缺失的感知信息来学习丰富的时空表示，自动从上下文中提取任务相关特征，而无需显式的子任务分段。我们在真实机器人上对多样化的插针和条件进行针具-孔任务的验证。我们的广泛评估表明，MAT$^3$ 在所有条件下的成功率均高于基线方法，并展现出对未见插针和条件的显著适应能力。