人在黑夜里拿着钥匙开锁，靠的绝不是眼睛看，而是钥匙碰到锁孔边缘的那一瞬间，指尖传来的细微阻力，能帮助我们判断方向是否偏了、钥匙是否卡住，再顺势调整角度，直到准确插入。
这本质上就是人类最原始、也最精密的装配动作。
但在自动化工业界，让机器人拥有这种“黑夜开锁的手感”，一直是制约高精度柔性装配迈向全面自主化的关键技术瓶颈。
在现代高精尖制造业中，无论是电动汽车的高压线束连接器、数码产品的紧密排线，还是芯片封装与齿轮啮合，大量装配任务的缝隙极小（甚至低至 0.02 毫米，仅为头发丝直径的 1/3）。当机械臂夹着工件靠近孔口的瞬间，摄像头会被夹具和工件彻底遮挡，陷入“全盲”状态。
纯靠视觉，机器人看不清；纯靠传统力学控制，换个零件就得重新调参。只要稍微有一丝位姿偏差，工件就会卡死、刮伤，甚至直接撞毁昂贵的设备。
那么如何让机器人在看不大清的情况下，依然能够依靠接触反馈完成精密操作？
为了攻克这个亚毫米级的装配难题，中国科学院自动化研究所（简称 CASIA），程龙研究员团队的李厚成副研究员、孟鑫攀博士、马正华博士等科研人员，开展了一项发表于国际机器人顶会 IROS 2026 的研究，探索如何利用触觉增强强化学习，提高亚毫米级精密操作的成功率与稳定性。
这项研究指向一个核心问题：让机器人不只依靠视觉判断空间位置，还能通过触觉理解接触状态，并据此调整动作。
为了让算法在真实物理世界里跑起来，CASIA 团队在帕西尼 PGH (PaXini Global Horizons) 寰宇学者计划的依托下与帕西尼展开深度联动，通过搭载 PX6AX GEN3 阵列式多维触觉传感器，直接为机械臂装上了高精度的“触觉神经”。
近日，帕西尼传感器研发总监、博士后工作站导师孙洪涛博士，与 CASIA 团队孟鑫攀博士展开了一场深度对话，共同探讨了这场亚毫米缝隙里的“触觉革命”。他们究竟是怎么让机器人学会这种物理手感的？这项刷屏学术界的研究背后又有哪些技术细节？我们不妨一起来拆解看看。
如何让机器人学会亚毫米级的物理手感
在过去，很多尝试将触觉引入强化学习（RL）的研究都以失败告终。原因在于真实世界的触觉信号很“脏”—— 夹爪每次抓取工件的位置稍微偏了一丝，传感器输出的原始力矩就会产生巨大偏移，严重干扰了 AI 的决策与训练。
CASIA 团队在机器人顶会 IROS 2026 上发表了这项研究，这套方案不再只靠一种感知方式，而是把装配拆成两段：先用模仿学习（IL）快速抵达，再用强化学习（RL）完成插入。训练时采用非对称 Actor-Critic 架构：Actor 方面以视觉信息为主导，保证实际部署时的效率；Critic 方面引入触觉反馈，用来指导训练。在此基础上，研究主要在触觉信号处理、训练样本采样和两阶段学习架构上进行了探索：
-给触觉“戴上降噪耳机”
真实装配中，不同的抓握姿态可能导致传感器产生不同的初始力矩读数。如果直接使用原始数据，抓握状态带来的偏差就可能干扰算法对后续接触情况的判断。
为此，团队采用了触觉基线补偿，并设计了残差触觉 Critic（Residual Tactile Critic）。机器人抓稳工件后，系统会在尚未接触孔口时估计一组稳定的触觉基准值 fˉ，随后计算当前触觉读数相对于基准的变化量：Δft=ft -fˉ。这就像给触觉信号戴上了一副“降噪耳机”：先扣除初始状态下已有的受力偏置，再重点关注插入过程中新增的受力变化，从而减轻不同抓握姿态带来的信号偏差对算法训练的干扰。
-用触觉分组采样消除训练偏科
在强化学习探索中，离线重放缓冲区容易偏向某些特定姿态。团队根据抓取后的扭矩分量（Mx,My）进行离散化网格分组，训练时在不同触觉分组间均衡抽取样本。
这种巧思极大地弥补了接触条件覆盖不足的问题，让机器人即便换了千奇百怪的抓握姿势，依然能稳定收敛。
-两阶段流水线，兼顾效率与精度
CASIA 团队设计了分工明确的两阶段架构：既保证抵达的效率，又兼顾插入的精度。
抵达阶段（IL）采用 Diffusion Policy（扩散策略）进行模仿学习，让机械臂学习将工件移动到孔口附近；插入阶段（RL）则切换为 SAC（Soft Actor-Critic），通过强化学习探索接触过程中的微调策略。前段抢速度，后段保精度，也为降低对精确建模的依赖、改善策略的泛化能力提供了新的思路。
好数据，才是跑出好算法的前提
在这类依赖接触反馈的训练框架里，算法能否收敛，很大程度上取决于指尖拿到的触觉数据质量。
以往在工业装配中，大家习惯在机械臂末端挂一个“腕部六维力传感器”。但在亚毫米级的局部接触里，腕部传感器感知到的是整条机械臂后端的耦合受力，等它反应出卡滞和倾斜时，微观层面的冲击往往已经发生。
要捕捉最真实的接触状态，感知点必须无限接近交互发生的地方。
在这项研究中，帕西尼的 PX6AX GEN3 凭借其原生 6D 感知、0.01N 灵敏度、1000Hz 数据输出频率、超高测力一致性以及高集成易用设计的能力，成为该研究经评估选用的触觉传感器，被集成到七轴机械臂上，负责实时测量与反馈接触状态。基于指尖阵列的解算，系统能够实时获取 Fx,Fy,Fz 三向力与 Mx,My,Mz 三向力矩的时序变化。
这套指尖触觉数据，构成了整个强化学习评判方面十分核心的信息来源。无论是过滤抓握噪音的残差计算，还是均衡样本分布的分组采样，都对传感器的零漂控制、响应时延和重复精度有着苛刻的要求 —— 如果原始信号本身充斥着高频漂移，残差算法就会瞬间被噪点淹没。
正是这种指尖感知与微观力学算法的精准契合，最终在学术顶会上交出了极具含金量的实测答卷。
在 IROS 2026 录用的研究中，实验进行了面对 5 种不同几何形状的异形孔（方形、圆形、六边形、L 形、三角形）以及不同距离间隙梯度的测试。在 0.05 毫米间隙下，仅靠视觉与位姿示教的纯模仿学习方案成功率直接挂零 0%，无触觉的 IL+RL 方案为 52%，而加入了指尖触觉反馈后，成功率陡升至 67%。
IROS 2026 的这组数据，已经说明了指尖触觉在亚毫米级装配中的价值。而要让这种价值从学术测试走向真实产线，算法之外，触觉传感器带来的数据质量同样关键。
顶尖算法遇到工业级指尖，一场关于机器人“物理接触”的对话
在近期中国科学院自动化研究所与帕西尼的深度交流中，孟鑫攀博士与孙洪涛博士展开了深度对话围绕具身智能在前沿学术与实验验证层面的核心本质展开了探讨。
谈及视觉与触觉的物理分工，中国科学院孟鑫攀博士表示：
“视觉赋予了机器人走进物理世界的感知视角，但触觉，可以构成它与真实世界发生微观物理交互与纠错的最终闭环。特别是在亚毫米级公差的装配盲区里，肉眼和深度相机都会因遮挡而受限，唯有指尖的多维触觉反馈能准确提供接触状态。我们做算法创新，本质上是在给机器人补齐一套类似人类的物理手感。”
对此，帕西尼孙洪涛博士从硬件底座的角度给出了呼应：
“过去很多触觉强化学习算法在真机部署时遇到瓶颈，原因往往在于传感器零漂严重、延迟较高或受力维度单一，导致 AI 算法在高噪声数据下难以稳定收敛。帕西尼在研发 PX6AX GEN3 时，核心目标就是输出干净、稳定、高频的全量指尖六维接触数据。只有硬件提供的数据底座足够坚固，顶尖算法的威力才能在真实物理世界里被彻底释放。”
双方在对话中围绕一个共同方向展开讨论：算法正在从单纯的视觉与空间信息处理，进一步走向对物理接触状态的理解。只有将高层视觉规划与底层触觉反馈深度融合，机器人才能在多变的物理世界中具备真正的泛化与自纠错能力。
当产学研共建微观触觉，具身智能才算真正落到了实处
具身智能走到今天，单靠企业的工程突围或高校的闭门理论，已很难跨越仿真与现实的物理鸿沟。越来越多的头部企业开始与顶级科研院所深度绑定 —— 当顶尖算法的理论突破与高频稳健的工业级触觉底座真正咬合，具身智能才算拿到了通往高难度工业场景的密钥。
依托 PGH（PaXini Global Horizons）寰宇学者计划，帕西尼正持续加强与高校及科研机构的交流合作，通过开放产品、技术平台与研发资源，为前沿技术研究和实验验证提供支持，促进学术探索、技术创新与产业需求之间的深度衔接。此次，帕西尼与中国科学院自动化研究所围绕亚毫米级精密插入开展研究，将触觉感知硬件与强化学习算法相结合，通过真实机器人实验验证触觉反馈在精细操作中的应用价值，也是这一协同机制的具体实践。
这种以真实物理交互数据为核心的产学研协同，不仅为机器人攻克高难度微操提供了切实可行的技术范式，也正在为中国具身智能产业的高质量落地垒起一道坚实的技术护城河。
免责声明：本文为本网站出于传播商业信息之目的进行转载发布，不代表本网站的观点及立场。本文所涉文、图、音视频等资料之一切权力和法律责任归材料提供方所有和承担。本网站对此咨询文字、图片等所有信息的真实性不作任何保证或承诺，亦不构成任何购买、投资等建议，据此操作者风险自担。