Tactile-ETA：把触觉放进提示词，GPT-6机器人智能体成功率从15.75%升至24.00%（上海创智学院）

通用具身任务智能体能否借助以上下文经验形式提供的触觉，而非通过训练，完成精细操作？

基于大模型的机器人智能体依靠相机画面和工具调用选择动作。插管、拔钥匙等接触密集任务取决于相机看不到的力变化，而为每个任务重训大模型成本高昂。

触觉操作多依赖用触觉数据训练或微调的策略；把示范放进提示词的上下文机器人学习只用视觉和动作，没有触觉。

Tactile-ETA把专家示范中每段机器人动作与相机画面及两侧指尖触觉图像配对：保留每段动作起止时的触觉帧，仅在中间触觉图像剧烈变化时补充两帧相邻画面。智能体结合这些精简示范与当前视觉、触觉和关节状态，通过通用机器人工具选择动作，模型权重不变。

UniVTAC四项仿真任务（每项100次）中，同样两条示范仅含视觉和动作时平均成功率15.75%，加入触觉后24.00%；无示范时分别为3.00%（视觉）和6.25%（视觉加触觉）。选择性取帧方案在一项测试中达36%，仅用起止帧为27%，使用全部帧仅2%。触觉把拔钥匙从26%提升到48%，却降低了提瓶任务成绩。同一配置下不同智能体模型差异明显。在配备vitai GF225夹爪和奥比中光腕部相机的reBot Arm B601-RS上，无示范智能体两项实机任务均为5次0次成功，Tactile-ETA各成功3次。

预印本。仿真成功率24%仍低，实机每种设置仅5次；触觉对部分任务有益、对另一些有害；作者称受API和成本所限模型覆盖有限，且目前触觉只用于动作段之间的决策，而非动作中的快速力控；结果依赖可能变化的商用模型。