亚马逊与密歇根大学联手赋予机器人触觉感知能力

亚马逊与密歇根大学的研究人员共同开发了一种名为HydroShear的新型仿真系统，旨在让机器人获得更真实的触觉感知能力，从而显著提升其在复杂任务中的操作精度。

核心技术突破

HydroShear的关键创新在于将路径依赖力追踪机制引入液弹性接触模型中。这一方法能够准确模拟触觉力的变化过程，使机器人在仿真环境中学习灵巧操作策略时，触觉反馈更贴近真实物理世界的表现。

传统仿真模型在处理接触力时往往忽略力的历史路径信息，导致模拟结果与现实存在较大偏差。HydroShear通过引入路径依赖机制，有效弥补了这一不足，使仿真训练的可靠性大幅提升。

出色的实验表现

研究团队在配备GelSight Mini触觉传感器的Franka机器人上对该系统进行了实际部署测试。在四项具有挑战性的操作任务中，HydroShear的平均成功率高达93%，远超现有基准系统TacSL（34%）和FOTS（58%至61%）。

这一结果充分验证了HydroShear在仿真到现实迁移方面的强大能力，证明在仿真环境中训练的策略能够有效应用于真实机器人场景。

大幅降低现实数据依赖

HydroShear的另一重要优势在于支持大规模、高效率的策略训练。由于整个训练过程主要在仿真环境中完成，研究人员可以在短时间内生成海量训练数据，显著减少对真实世界数据采集的依赖，同时大幅降低机器人在现实环境中反复试错所带来的成本与风险。

这一特性对于机器人技术的实际落地具有重要意义，尤其在工业制造、精密装配等需要高度灵巧操作的场景中，有望加速机器人系统的训练与部署效率。

Q&A

Q1：HydroShear是什么技术？它解决了什么问题？

A：HydroShear是由亚马逊与密歇根大学共同开发的机器人触觉仿真系统。它通过在液弹性接触模型中引入路径依赖力追踪机制，解决了传统仿真模型无法准确模拟触觉力的问题，使机器人能够在仿真环境中学习更贴近真实世界的灵巧操作策略。

Q2：HydroShear在真实机器人上的表现如何？

A：HydroShear在配备GelSight Mini触觉传感器的Franka机器人上进行了测试，在四项挑战性任务中平均成功率达到93%，而对比基准系统TacSL的成功率仅为34%，FOTS的成功率为58%至61%，HydroShear的表现大幅领先。

Q3：HydroShear能减少机器人训练对真实数据的依赖吗？

A：可以。HydroShear支持在仿真环境中进行大规模、高效率的策略训练，能够快速生成海量训练数据，显著减少真实世界数据采集的需求，同时降低机器人在现实中反复试错的成本，有助于加速机器人系统的实际部署。