该论文旨在解决如何将人类的灵巧操作技能有效迁移到软体机器人手上的问题。研究背景是：传统的基于关节轨迹重定向的方法难以处理人类与软体机器人之间巨大的形态差异和非线性柔顺特性，特别是在需要丰富接触的精细操作任务中，仅模仿运动学信息不足以传递功能意图。
论文提出了名为SoftAct的框架，其核心是一个两阶段的力感知重定向算法：
- **第一阶段（离线映射）**：将演示中捕捉到的接触力归因于各个人类手指，并按比例分配给机器人手指，从而在人类手和机器人手之间建立一种力平衡的映射关系。
- **第二阶段（在线重定向）**：结合基线末端执行器位姿跟踪与基于测地线加权的接触细化。具体而言，利用接触几何和力的大小信息，实时调整机器人指尖的目标位置。
- **数据来源**：利用沉浸式虚拟现实捕获丰富的人类演示数据，包括手部运动学、物体运动、密集接触区域和详细的接触力信息。
论文的核心创新点在于：
- **力感知的功能重定向**：与仅重定向关节轨迹的传统方法不同，SoftAct明确地对接触几何和力分布进行建模，旨在复制人类演示的“功能意图”，而不仅仅是运动轨迹。
- **两阶段算法设计**：通过离线建立力平衡映射和在线进行接触感知的实时调整，系统性地解决了人类与高度非仿人形态的软体手之间的巨大形态失配问题。
- **面向软体机器人的技能迁移**：该方法特别考虑了软体手的非线性柔顺特性，证明了显式建模接触力对于向这类机器人进行有效技能迁移是必要且不可被单纯运动学模仿所替代的。
论文对该领域的总体贡献是：
- 提出了一个完整的、力感知的框架（SoftAct），用于将虚拟人类演示迁移到软体机器人策略上。
- 通过实验（在定制的非仿人气动软体手上进行一系列接触丰富的操作任务）验证了方法的有效性：与运动学和基于学习的基线方法相比，显著降低了指尖轨迹跟踪误差（RMSE降低高达55%）和方差（降低高达69%）。
- 在策略层面，无论是在零样本的真实世界部署还是仿真中，都实现了更高的任务成功率。
- 核心结论：明确建模接触几何和力分布对于向软体机器人手进行有效的技能迁移至关重要，这是仅靠运动学模仿无法实现的。