盘点 | 2026顶会顶刊机器人触觉：聚焦五条技术主线

2026年顶会顶刊释放的五大「触觉」关键信号——从静态识别到动态闭环目录01 元学习赋能机器人触觉识别精度与泛化性俱佳ICRA2026 | Tactile Recognition of Both Shapes and Materials with Automatic Feature Optimization-Enabled Meta Learning研究方法局限性02 触觉传感赋能CPR训练闭环反馈低耗便携ICRA2026 | A Closed-Loop CPR Training Glove with Integrated Tactile Sensing and Haptic Feedback研究方法局限性03 动态触觉表征学习多任务泛化能力突出ICLR2026 | AnyTouch 2: General Optical Tactile Representation Learning For Dynamic Tactile Perception研究方法局限性04 仿指垫形变提升VR几何探索触觉真实感CHI 2026 | TactDeform: Finger Pad Deformation Inspired Spatial Tactile Feedback for Virtual Geometry Exploration研究方法局限性05 触觉融合物理约束同步估计姿态与接触RAL2026 | Simultaneous Extrinsic Contact and In-Hand Pose Estimation via Distributed Tactile Sensing研究方法局限性06 核心趋势与未来展望随着具身智能对物理世界交互精度的要求持续提升触觉感知正从单一模态的信号获取转向多任务泛化、动态闭环与结构仿生的系统性技术突破。近期在ICRA、ICLR、RAL等顶会顶刊上触觉相关研究呈现出鲜明的新趋势小样本识别、闭环反馈、动态表征、VR 仿真、姿态 - 接触联合估计……这些工作共同指向一个核心方向——触觉正从“传感器数据采集”走向“面向动态交互的智能表征与闭环控制”。2026年以来与触觉相关的研究逐月升高。本文将重点梳理触觉这一领域的最新研究进展。01 元学习赋能机器人触觉识别精度与泛化性俱佳ICRA2026 | Tactile Recognition of Both Shapes and Materials with Automatic Feature Optimization-Enabled Meta Learning发文团队东南大学、北京理工大学等研究方法机器人触觉感知存在数据稀缺问题研究提出AFOP-ML框架。▲图|AFOP-ML算法框架首次将元学习应用于基于压阻和压电原理触觉手指的形状与材质协同触觉识别任务。框架除学习预测模型外还能针对不同任务自适应确定最优特征空间实现特征的自动优化选择。搭建了包含时频域特征的386维特征池结合NCA和维度扫描实现特征重要性排序与最优维度确定。设计轻量级原型网络作为分类器后端采用余弦-softmax原型头大幅提升小样本下的适配速度与识别效率。多维度验证了框架有效性涵盖闭集识别、未知域泛化还揭示了传感组件对不同触觉任务的贡献规律。局限性依赖特定四通道触觉传感器信号训练阶段计算开销较大未覆盖动态交互及极端力学条件下的识别场景泛化至其他原理传感器的适配性不足。02 触觉传感赋能CPR训练闭环反馈低耗便携ICRA2026 | A Closed-Loop CPR Training Glove with Integrated Tactile Sensing and Haptic Feedback发文团队华盛顿大学等研究方法研究提出首款集成高分辨率触觉传感阵列和振动触觉执行器的闭环CPR训练手套通过手掌和手背的分布式压力测量实时估计按压速率、力度和手部姿势并依此提供即时触觉反馈减少对外部音视频显示的依赖。▲图|闭环 CPR 自训练系统总体架构首次将触觉传感技术应用于CPR训练同时精准估计按压速率、力度、手部姿势三大核心指标填补传统系统对姿势监测的空白。提出自适应的CPR指标建模方法依据训练者体重个性化设定按压力度目标适配不同人群的身体特征。设计了多维度触觉反馈编码方式将按压速率映射为脉冲数、力度映射为振动强度、姿势映射为振动位置实现单模态多信息传递。局限性用户样本量较小动态场景下弱强度触觉反馈易被运动掩盖复杂振动编码增加认知负荷反馈模式需简化以提升实操感知可靠性。深蓝具身智能03 动态触觉表征学习多任务泛化能力突出ICLR2026 | AnyTouch 2: General Optical Tactile Representation Learning For Dynamic Tactile Perception发文团队中国人民大学高瓴人工智能学院、北京人工智能研究院、北京交通大学等研究方法针对现有触觉数据集和模型缺乏动态感知支持的问题研究提出触觉动态金字塔体系构建大规模分层触觉数据集ToucHD涵盖原子动作、真实世界操作和触力配对数据。▲图|触觉动态金字塔与ToucHD数据集按感知能力复杂度将数据分为5个层级为动态触觉数据收集和模型设计提供系统性指导。构建大规模分层触觉数据集ToucHD包含242万接触样本填补高层级动态触觉数据空白形成完整动态触觉数据生态。设计多维度动态增强模块通过帧差重建捕捉细粒度时序形变动作匹配学习结构化动态语义力预测建模物理动力学特性。实现传感器无关的通用表征学习融合多模态对齐与跨传感器匹配支持GelSight、DIGIT等多种主流光学触觉传感器。采用课程任务调度策略按层级逐步优化多目标损失函数平衡静态属性理解与动态感知能力的协同学习。局限性未充分利用多传感器配对数据的跨传感器协同优势力数据采集局限于特制压头而非自然物体交互未整合阵列式触觉传感器等异质数据格式。04 仿指垫形变提升VR几何探索触觉真实感CHI 2026 | TactDeform: Finger Pad Deformation Inspired Spatial Tactile Feedback for Virtual Geometry Exploration发文团队悉尼大学研究方法为解决VR中3D几何探索的触觉真实感难题研究提出TactDeform系统基于指垫自然形变原理通过穿戴式32电极阵列提供时空触觉反馈。▲图|TactDeform系统概述该系统结合交互场景接近、接触、滑动与几何场景特征、纹理动态生成电触觉图案仿真真实触摸时的指垫形变。设计多维度时空触觉图案接近时通过扩展图案传递几何特征接触时依据手指朝向偏移刺激区域滑动时通过参数化位移模拟纹理粗糙度。▲图|该系统集成四个组件开发轻量化穿戴式32电极阵列硬件电极间距2mm贴合指垫触觉分辨阈值实现毫米级空间分辨率的触觉反馈。建立 velocity 与图案更新的联动机制使触觉反馈与手指运动精准同步增强交互沉浸感。无需额外力反馈设备仅通过电触觉刺激即可传递细粒度空间几何信息突破传统设备物理限制支持大范围自由探索。局限性仅采用单极性阳极电流电极阵列覆盖范围有限导致无法实现全 3D 取向反馈聚焦单指交互未支持多指协同探索的真实场景需求。05 触觉融合物理约束同步估计姿态与接触RAL2026 | Simultaneous Extrinsic Contact and In-Hand Pose Estimation via Distributed Tactile Sensing发文团队密歇根大学研究方法针对抓取操作中物体姿态和外部接触估计难题研究提出基于因子图的TacGraph方法融合分布式触觉传感与物理约束实现联合估计。▲图|基于因子图的TacGraph该方法通过目标无关的触觉模型提取几何点云、手部位移和握持力信息构建包含几何一致性、无穿透、接触运动学和力平衡的因子图高效求解最大后验估计。提出目标无关的多模态触觉模型从触觉图像中同步提取几何、位移和力信号无需针对特定物体训练泛化性强。构建融合多重物理约束的因子图框架首次同时纳入几何一致性、环境无穿透、接触运动学和力平衡四大因子确保估计结果物理可信。实现外在接触与手持姿态的联合估计利用两者的耦合关系相互约束有效解决单一传感模态下的歧义问题。采用粒子初始化与迭代优化结合的推理策略通过因子图代价函数筛选最优解提升估计鲁棒性避免局部最优。无需依赖环境力/力矩传感器仅通过抓手处的分布式触觉传感器即可完成精确估计降低系统部署成本。局限性对初始化敏感依赖已知物体与环境几何信息未考虑物体滑动情况仅支持单点接触描述难以适配多接触点或复杂接触几何的交互场景。06 核心趋势与未来展望2026年机器人触觉领域的五大顶会成果清晰勾勒出“感知-建模-应用”全链路的技术进化方向从数据层面通过大规模分层数据集ToucHD填补动态触觉信息空白用元学习突破小样本训练瓶颈从建模层面实现静态属性与动态力感知的统一AnyTouch 2、物理约束与多模态信号的融合TacGraph从应用层面拓展出医疗训练CPR手套、VR交互TactDeform等垂直场景落地案例。这些研究共同验证了三大核心共识多模态融合是提升触觉鲁棒性的关键触觉视觉/物理约束通用化表征是跨场景适配的核心传感器无关学习、目标无关建模轻量化部署是实用化落地的前提亚毫秒推理、便携硬件设计。当前技术仍面临动态复杂交互场景的适配、多传感器异质数据的融合、极端环境下的感知稳定性等共性挑战。未来随着触觉与视觉、力控、大模型的深度结合或有望进一步实现“指尖感知-大脑推理-精准执行”的闭环优化。Ref1. Tactile Recognition of Both Shapes and Materials with Automatic Feature Optimization-Enabled Meta Learning https://arxiv.org/abs/2603.08423v12. A Closed-Loop CPR Training Glove with Integrated Tactile Sensing and Haptic Feedback https://arxiv.org/pdf/2603.057933. AnyTouch 2: General Optical Tactile Representation Learning For Dynamic Tactile Perception https://arxiv.org/pdf/2602.09617v14. TactDeform: Finger Pad Deformation Inspired Spatial Tactile Feedback for Virtual Geometry Exploration https://arxiv.org/pdf/2602.03476v15. Simultaneous Extrinsic Contact and In-Hand Pose Estimation via Distributed Tactile Sensing https://arxiv.org/pdf/2512.23856v1