标签
代尔夫特理工大学的研究人员开发出轻量级的猫须式触须传感器，使微型无人机能够在黑暗、烟雾或其他视线受限的环境中依靠触觉导航。相关研究成果发表于《自然·通讯》。
Neocambrian AI 推出 Mitts 触觉手套，可捕捉高精度触觉与动作数据，帮助机器人感知接触位置与压力，从而学习与物理世界交互。
TouchScale 引入了一个 500 小时的人类视觉-触觉交互数据集，使用统一的可穿戴设备同步采集 egocentric RGB-D 视频、手腕视频与全手双触觉测量，用于视觉-触觉预训练和机器人操作策略学习，在零样本触觉预测和真实机器人操作成功率上均取得显著提升。
Venky Pinto 和 Lerrel Pinto 带领的研究团队开发了 eFlesh，一种成本约 5 美元的 3D 打印触觉传感器，利用磁铁和磁力计来检测接触、力度以及打滑，为仅依赖视觉的抓取方式提供了一种廉价的替代方案。
Preload（YC F26）宣布推出用于机器人操作、VLA 和世界模型的同步第一视角视频、EMG 与触觉数据采集方案，提供可规模化的一站式机器人数据采集能力。
Tactile-JEPA是一种用于分布式触觉传感器的自监督预训练方法，它利用空间拓扑学习表示，提升了机器人学中力估计和方向任务的性能，优于先前的最先进方法。
研究人员通过使用触觉传感和先进的摩擦模型，控制滑动，使简单的机器人夹爪能够实现精确的手内物体操作，模仿人类灵巧性。
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%。