机器人执行系鞋带等精细操作时，传统视觉与触觉融合方案常因模态失衡导致效果不佳。TouchGuide范式通过创新的触觉引导策略，在推理阶段介入优化，无需重训基础模型即可显著提升操作的精准度与成功率，为机器人精细接触操作提供了高效且低成本的解决新思路。
智能速览
TouchGuide通过两阶段推理优化视觉运动策略。
其核心接触物理模型（CPM）可引导动作满足物理约束。
配套的TacUMI数据采集系统成本仅720美元。
该方案在多项任务中成功率远超现有基准模型。
方案具备强泛化能力，可适配不同机器人和基础策略。
精华内容
TouchGuide的精髓在于其独特的两阶段推理机制，它巧妙地利用触觉信息来“校正”由视觉初步规划的粗动作，从而实现了高精度与高效率的统一。
两阶段引导逻辑
TouchGuide范式的核心在于其两阶段推理逻辑，解决了传统方法中模态主导失衡的问题。在推理早期，系统仅依靠视觉输入生成初步的粗略动作，保证了基础的规划效率。进入后期阶段，一个任务专用的接触物理模型（CPM）开始介入，它接收当前的触觉反馈、视觉观察以及粗略动作作为输入，通过对比学习训练，能够输出一个可行性评分。
这个评分用于引导动作采样过程，使其向满足真实物理接触约束的方向进行调整。这种设计的巧妙之处在于，CPM的指导作用在推理时注入，无需对预训练好的视觉运动策略进行重新训练，极大地提升了方案的灵活性和部署效率。
该CPM模型具有普适性，可适配于扩散模型、流匹配模型等多种不同的基础策略。
低成本数据支撑
为高质量地训练TouchGuide范式，研究者设计了TacUMI数据采集系统，在精度与成本之间取得了卓越平衡。该系统采用Vive Tracker结合双基站进行定位，构建成本不含触觉传感器时仅需720美元，整体重量也仅有540克，满足了大规模部署的经济性和便携性需求。
在数据质量方面，TacUMI采用了刚性指尖设计，能够提供直接的触觉反馈，有效解决了遥操作延迟和间接反馈带来的数据噪声问题。系统通过统一的软硬件接口，实现了高分辨率视觉与触觉信号的同步采集，采样频率稳定在30Hz，能够胜任绝大多数精细操作场景的数据采集任务。
在数据格式上，系统采用相对末端执行器的姿态作为数据集标准，兼顾了操作精度与策略对真实工作空间的感知能力。
实测性能超越
实验结果充分验证了TouchGuide的有效性。在与传统特征级拼接和策略级组合方法的对比中，TouchGuide通过在动作空间进行模态融合，成功避免了单一模态主导的弊端，使基础策略的分布更贴近真实任务的物理约束。在五项具有挑战性的任务测试中，其表现均十分突出。
以芯片交接任务为例，基于π₀.₅基础策略的TouchGuide版本成功率达到60%，这一数字远高于没有任何触觉指导的基准模型。除了高成功率，该方案还展现了强大的泛化能力，能够跨不同的机器人平台、触觉传感器模态以及基础策略进行应用。
尤其值得注意的是，在仅有20个演示样本的低数据场景下，该方案依然能够实现高精度的锁具开启任务，证明了其数据高效性。
TouchGuide范式与TacUMI系统共同为机器人精细操作领域带来了切实的进步，不仅在性能上实现了超越，更在部署成本和通用性上展现了巨大潜力。这种分离推理与引导的思路，或将启发更多跨模态融合的新方法，推动机器人技术向更灵巧、更智能的方向发展。
