光电触觉感知
让接触变得可观测。
TacTip 家族通过柔性皮肤与内部标记，将接触形变转化为图像测量。传感器的形态与力学结构，本身就是感知系统的一部分。
TacTip 家族 · 2018
学术研究
从感知触觉，走向灵巧行动。
光电触觉让接触变得可观测，学习将触觉信息转化为状态估计，控制再将感知带回物理世界。沿着这条脉络，探索 Nathan Lepora 教授及合作者的公开研究。
感知。学习。操作。
光电触觉感知
触觉学习
灵巧操作
Nathan Lepora · 布里斯托大学机器人与人工智能教授
一条相连的研究路径
感知。学习。操作。
从柔性指尖的物理设计，到解释接触的模型，再到引导机器人行动的反馈，这些方向相互连接。
触觉学习
将观测转化为可用模型。
深度学习从触觉观测中估计接触位姿。Tactile Gym 进一步连接仿真、强化学习与真实传感器，研究推物、表面跟随等任务。
Optimal Deep Learning · 2020 / Tactile Gym 2.0 · 2022
灵巧操作
用触觉闭合行动回路。
位姿与剪切信息支持连续触觉控制。双臂操作、在手旋转与多指抓握控制，将这种反馈从单点接触扩展到协同行动。
Bi-Touch · 2023 / AnyRotate · CoRL 2024 / 剪切抓握控制 · 2025
精选论文
有论文可循的研究。
精选已发表成果，涵盖传感器设计、触觉学习与机器人控制。每项均可链接至原始出版记录。
Tactile robotics: Past and future
以历史视角梳理机器人触觉的发展，回看反复出现的挑战，并讨论未来的研究机会。
阅读论文原文Shear-Based Grasp Control for Multifingered Underactuated Tactile Robotic Hands
利用多指触觉反馈调节抓握，研究易损物体持握、倾倒与人类引导运动。
阅读论文原文AnyRotate: Gravity-Invariant In-Hand Object Rotation with Sim-to-Real Touch
在仿真中训练触觉策略，并迁移到真实机器人手，研究不同旋转轴与手部朝向下的在手旋转。
阅读论文原文Pose-and-shear-based tactile servoing
将接触位姿与剪切估计用于连续控制，实现目标跟踪、表面跟随及单臂或双臂推物。
阅读论文原文Bi-Touch: Bimanual Tactile Manipulation with Sim-to-Real Deep Reinforcement Learning
两条触觉机械臂学习协同推物、调整朝向与聚拢任务，并将策略从仿真迁移到真实硬件。
阅读论文原文Tactile Gym 2.0: Sim-to-Real Deep Reinforcement Learning for Comparing Low-Cost High-Resolution Robot Touch
使用统一的仿真到现实方法，在推物、边缘跟随与表面跟随任务中比较 TacTip、DIGIT 和 DigiTac。
阅读论文原文Optimal Deep Learning for Robot Touch: Training Accurate Pose Models of 3D Surfaces and Edges
研究利用深度学习估计表面和边缘的接触位姿，并处理滑动剪切等变化带来的影响。
阅读论文原文The TacTip Family: Soft Optical Tactile Sensors with 3D-Printed Biomimetic Morphologies
一组通过 3D 打印制造的柔性触觉传感器，以仿生结构将皮肤形变转化为内部标记的运动。
阅读论文原文AnyRotate 参加 CoRL 2024，其 PMLR 论文集记录出版于 2025 年。正式论文标题保留原始出版术语。
浏览完整研究档案继续探索原始研究
回到原站，了解更多。
本页选取 Nathan Lepora 及合作者的部分已发表研究。更多研究方向、演示与完整论文档案，请访问教授个人网站。