原文作者：研梦非凡人工智能

原文链接：https://zhuanlan.zhihu.com/p/2031071527085528949

该研究由日本顶尖学府早稻田大学（Waseda University）的知名机器人实验室（菅野重树、尾形哲也团队）等联合提出。

arXiv 论文直达链接：https://arxiv.org/abs/2602.05468

TaSA: Two-Phased Deep Predictive Learning of Tactile Sensory Attenuation for Improving In-Grasp Manipulation ( ICRA 2026 )

【亮点速览】

引入人类 " 感觉衰减 " 机制：人类在抓握时能本能地忽略自己手指间的相互触碰，而专注于物体的触感。但机器人多指灵巧手在操作时，手指间的碰撞（自我触碰）产生的触觉信号往往会淹没外部物体的信号。TaSA 框架首次在深度预测学习中引入了感觉衰减（Sensory Attenuation）机制。

解锁高难度精细操作：赋予了机械手极高的触觉辨识力，使其能够在存在大量自我触碰干扰的情况下，完成将自动铅笔芯插入笔筒、硬币投币、回形针夹纸等极端精细的任务。

【创新点】

双阶段深度预测学习 ( Two-Phased DPL ) ：第一阶段（自我触碰学习）：训练一个全连接网络（FCN），仅根据关节位置预测手指间自我触碰产生的触觉反馈；第二阶段（运动学习）：利用 LSTM 结合原始触觉输入和阶段一预测的自我触碰信号，过滤掉内部干扰，专注于外部物体的交互控制。

触觉特征空间净化：通过将自我预测作为基准进行剥离，算法有效缩小了由手指预紧力带来的 " 噪声方差 "，使得真实物体接触的特征边界更加清晰（通过 PCA 分析证实）。

【成果】

图 2：TaSA（触觉感觉衰减）双阶段深度预测学习框架。

  雷峰网