神经衰减机制提升灵巧手精细抓握：TaSA框架插入任务成功率翻倍

在机器人灵巧手的研究中，长期困扰工程师的一大难题是：当机械手试图抓取并操作细小物体时，手指间的相互触碰会生成大量触觉信号，这类“自我干扰”往往会淹没来自外部物体的真实触感。人类却能自然而然地忽略自己手指的碰撞——这一被称为“感觉衰减”的本能机制，让我们的抓握动作精准而从容。那么，能否让机器人也学会这种自我干扰抑制能力呢？

早稻田大学菅野重树、尾形哲也团队的这项研究，正是从这一角度切入。他们提出的TaSA框架（触觉感觉衰减，双阶段深度预测学习），使机器人多指灵巧手在操作时能够主动过滤自我触碰带来的干扰，将注意力聚焦于外部物体。相关研究论文已被ICRA 2026收录。

核心亮点速览

引入人类“感觉衰减”机制：人类抓握时能本能地忽略手指间的相互触碰，而机器人手指碰撞产生的信号往往淹没外部物体触感。TaSA首次在深度预测学习中引入了这一生物机制。

解锁高难度精细操作：该框架赋予机械手极高的触觉辨识力，使其能够在大量自我触碰干扰下，成功完成自动铅笔芯插入笔筒、硬币投币、回形针夹纸等极端精细的操作任务。

创新点详解

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，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第一阶段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。PCA主成分分析进一步验证了该方法的有效性。

实验成果

图2：TaSA（触觉感觉衰减）双阶段深度预测学习框架示意图。