RATE风险感知触觉编码显著提升接触丰富操作成功率

能否学习一种触觉表征，使其编码任务条件下的交互风险，从而让操控策略在接触丰富的任务中更好地区分良性和不良接触？

接触丰富操作中，传感器噪声、任务必要调整和不良接触早期信号可能产生相似的触觉观测，但任务风险完全不同。现有触觉表征缺乏基于上下文的接地风险信息，导致策略对良性变化产生不必要纠正或对真正风险反应延迟。

此前方法包括视觉触觉跨模态对比学习或共享潜空间，时序触觉建模使用循环或预测网络捕捉接触演化，以及接触感知操控将风险相关信号用于事件预测或控制约束。这些方法未显式将触觉信息按任务条件风险组织在演化交互上下文中，因此难以区分外观相似但风险不同的接触状态。

RATE从双侧触觉历史构建交互上下文，使用短时程未来接触变化预测和未来风险监督联合训练风险感知表征。具体地，触觉特征经共享主干、双侧融合、局部差分和两层LSTM聚合，得到512维表征；辅助头预测未来RGB、深度、接触位姿变化和任务条件风险。策略适配阶段，风险表征通过零初始化残差适配器映射为有界残差，加至常规触觉token，仅更新输入投影和两层MLP，约占完整模型参数的0.59%。训练中风险值还用于重加权模仿损失，强调高风险步骤。

在UniVTAC八任务仿真基准中，使用每任务100条演示、每任务100次闭环评估。RATE宏观平均成功率71.8%，在6个任务上第一或并列第一；接触丰富交互类别平均72.0%，比最强基线StarVLA-α高23.0个百分点。与同配置重训的ACT+UniVTAC相比，RATE宏观平均71.8%对47.4%，在四个接触丰富任务上分别提升38、48、27、41个百分点。消融显示，任务专用触觉基础模型宏观平均44.0%，Continuous Severity alert监督为57.5%，仅上下文为56.0%，组合后RATE达71.8%。真机三个任务各20次试验，USB插入、瓶盖旋拧、插头插入成功率分别为75%、85%、60%，接触安全成功率分别为93.33%、100%、83.33%；宏观平均SR 73.3%比π0.5的40.0%高33.3个百分点，宏观平均CSSR 92.22%比π0.5的58.40%高。

作者指出，当接触幅值在不同交互阶段变化很大时，微妙但任务相关的触觉变化可能变得难以区分，未来将探索尺度自适应触觉编码。论文未报告代码开源情况、算力成本及跨平台实验；真机评估每任务仅20次试验，且使用同一平台和特定传感器。