数据是具身智能的燃料。然而生活中随处会用到的力信息的采集，却是现有诸多大规模数采系统普遍面临的一大难点。传统的力（Force-torque sensor）昂贵，沉重且脆弱，动辄上万元成本的设备在遇到冲击时极易永久损坏；更灵活的触觉传感器（Tactile Sensor）仍不成熟，短暂的使用寿命和校准的困难都极大限制了其应用规模。
为了解决力反馈的难题，斯坦福大学团队开发了名为 UMI-FT 的系统，他们在手持式数采设备 UMI 的每个手指上安装了一个硬币大小的六维力觉传感器 -- CoinFT。它能感知到每个手指受到的全部六个方向的力和力矩。这个传感器只有 2 克重，当机器人拿着灯泡去找插座的时候，它能实时感受到自己手指所受到的所有力，轻了它就加把劲，重了它就松一点，几乎能够像人手一样细腻。CoinFT 能够像传统工业力传感器一样进行标准化校准，并且能够安全承受很大的冲击力而不损坏。
论文作者侯一凡告诉 DeepTech，这套方案的意义在于让带力反馈的大规模数据采集变得容易实现。以前的大规模数据采集基本只记录位置信息和视觉信息，力觉因为成本和技术难度很难规模化。UMI-FT 提供了一个低成本、高一致性、可规模化的力觉数据采集方案，为训练具备柔顺操作能力的机器人策略铺平了道路。
这个系统的核心是一个叫做 CoinFT 的微型传感器，直径 20 毫米，厚度只有 3 毫米。其内部结构由几层带椭圆支柱的介电材料组成，受到压力时电容会发生变化。还有一个五层的神经网络把这些电容值换算成为力和力矩，校准后的精度非常高，力的误差在 0.15 到 0.58 牛之间，力矩误差在 17 到 231 毫牛米之间。相比之下，传统工业使用的六轴力觉传感器又大又贵，一个就要几万块钱，而且特别娇气一不小心就会被摔坏。而 CoinFT 成本只有 10 美元，既耐摔又耐撞。
而前面提到的 UMI-FT 系统不仅是增加了传感器，还把苹果手机绑在了机器人的手上。手机负责提供 RGB 摄像头、超广角摄像头、深度摄像头和姿态数据，刷新率从 10 到 60 赫兹不等。指尖的力觉传感器以 360 赫兹的速度进行超快采样，所有数据都会被记录下来。训练时，研究团队采集了 200 到 630 组不等的人类演示数据，每组数据都包含了图像、深度、姿态和每个手指的六维力觉信息。然后，他们使用这些数据训练了一个自适应柔顺策略模型（ACP）。这个模型会输出机器人的目标位置、虚拟目标位置、刚度矩阵、抓握力和夹爪宽度。底层有两个控制器在同时工作，腕部柔顺控制器根据两个手指传来的力和力矩，调整机器人手臂的位置和姿态，抓握力控制器则负责调节手指夹紧的力度。
在潜在应用场景上：在工厂里，机器人可以插拔精密的电子连接器，或者装配带有卡扣的塑料件；在医疗领域，手术机器人可以感知缝合伤口时手术针刺穿组织的阻力变化，操作更加安全；在家庭服务中，机器人可以帮你拧开瓶盖、打鸡蛋和擦桌子。
总的来说，本次成果等于给机器人装上了一层皮肤，让机器人拥有了触觉，让它能够感知自己用了多大力气，以及外界给了它多少的反作用力。目前，研究团队已经把这套系统的硬件设计和软件代码全部开源。任何实验室或者机器人爱好者，都可以用几千块的成本复制一套用来训练自己的机器人。
参考资料：
相关论文https://arxiv.org/abs/2601.09988
仓库https://umi-ft.github.io/
排版：胡莉花
顺阳网提示：文章来自网络，不代表本站观点。
