标签
本文介绍了Tactus，一种开放词汇触觉识别模型，将低成本压力阵列数据映射到文本嵌入，在STAG基准上仅使用187条训练记录且无分类器头的情况下，匹配甚至超过了监督式闭集CNN基线。
N₀-TWAM 是一个面向接触丰富操作的触觉原生世界-动作模型，基于来自 6 个具身和 450 个任务的视触觉数据进行了规模化训练。作者公开了代码和预训练检查点，将其定位为首个规模化训练的触觉世界-动作模型。
1X为其NEO人形机器人平台开发了新型25自由度机械手，实现了人类级别的灵巧性、触觉感知和耐用性，可胜任真实世界的操作任务。
OmniTacTune引入了一种两阶段强化学习管道，用于将触觉反馈适配到预训练的视觉机器人策略，在接触丰富的操作任务中，在40-80分钟内实现85-100%的成功率。
提出了Splash，一种掩码隔离的触觉对齐学习框架，通过选择性地仅更新休眠参数，使多模态LLMs能够获取触觉感知而不牺牲视觉语言推理，防止灾难性遗忘。
研究人员推出了T-Rex，这是一个集成了视觉、语言和触觉感知的框架，使机器人能够实时响应物理接触，而非仅依赖视觉。
来自卡内基梅隆大学（CMU）和博世AI中心的研究人员推出了Humanoid Transformer with Touch Dreaming (HTD) 模型，该模型利用触觉信号预测来改进人形机器人的操控能力，在五个真实世界任务中，平均成功率比ACT基线高出90.9%。