TacForcing：让机器人在执行动作时真正“感受”触觉

导语

机器人在抓取、插入、按压等接触丰富的任务中，视觉往往只能告诉系统“物体在哪里”，却不能完整描述接触是否稳定、力度是否合适，以及末端执行器是否已经碰到障碍。触觉因此成为调整动作的重要信号。但如何让视觉语言动作（VLA）模型在动作执行过程中及时使用触觉，仍是一个工程与建模上的难题。

问题：动作块与触觉反馈不同步

许多基于动作块的VLA策略会根据执行前采集的观测，一次性预测一段完整动作。这样的设计有利于提高推理效率，却带来明显的时间错配：动作开始执行后，接触状态可能迅速变化，而此前生成的动作仍然依据旧观测，无法响应新的触觉信息。

已有触觉反应方案通常会额外配置高频控制器，在底层快速修正动作。这种做法虽然能够增强反应能力，但也意味着系统需要更多模块、独立的训练流程和更复杂的接口，增加了整体架构负担。

TacForcing如何工作

TacForcing的核心不是再增加一个反应式控制器，而是用“流式动作专家”替换标准动作专家。系统不再把整段动作视为一次性、不可修改的预测结果，而是渐进式地生成和执行动作块；对于尚未执行的部分，则结合执行期间新获得的触觉观测进行更新。

论文还提出执行感知触觉注意力（Execution-Aware Tactile Attention，EATA）：

• 将触觉条件重点施加到即将执行的动作上；
• 减少较早采集的触觉信息与较晚执行动作之间的时间错配；
• 让模型把计算和条件建模资源集中在最需要即时反馈的动作片段。

这种设计试图在保持动作生成连续性的同时，让模型对接触状态变化保持敏感。它并非简单地把触觉信号拼接到输入中，而是进一步考虑“这条触觉信息应该影响哪一段动作”。

实验结果与意义

在六项模拟UniVTAC任务和三项真实世界接触丰富操作任务中，TacForcing分别取得65%和69%的平均成功率，并在两类环境中超过强基线。素材没有提供更细的任务级结果或消融数据，因此这些数字更适合作为整体性能概览，而不应被解读为对所有场景都同样有效。

从方法论看，TacForcing的价值在于把触觉反馈纳入动作生成主循环，而不是将触觉仅视作一个外挂式的底层修正机制。若这一思路能够扩展到更多传感器和更复杂的操作流程，未来的机器人策略或许可以在统一模型中同时完成感知、动作预测与执行中修正。不过，真实部署仍需关注传感器延迟、流式推理开销、不同触觉硬件之间的迁移，以及代码和训练细节公开后才能进一步评估的复现性问题。

来源：Hugging Face Daily Papers