- 接触丰富的灵巧操作中，**真实世界数据** 收集困难是主要瓶颈
- 现有的**sim-to-real强化学习(reinforcement learning)** 方法因**模拟-现实差距(sim-to-real gap)**，难以有效利用触觉等高信息密度模态
- 现有方法将触觉数据简化为**粗糙低维特征(coarse low-dimensional features)**，丢失了复杂操作所需的丰富接触信息
- 提出**中心压力(Center-of-Pressure, CoP)**，一种基于物理原理的触觉表示，保留**密集接触信息(dense contact information)** 并具备sim-to-real迁移鲁棒性
- 设计**基于可微动力学(differentiable dynamics)的传感器校准方案**，无需真实力测量即可估计**触觉单元方向(taxel orientations)**
- 在**盲操作** 任务（**销孔插入(peg-in-hole insertion)** 和**球平衡(ball balancing)**）上，使用**多指手** 进行**零样本sim-to-real迁移(zero-shot sim-to-real transfer)**
- **物理接地表示**：首次将**CoP** 作为触觉表示，其物理基础使得模拟与真实世界接触分布更一致，克服sim-to-real差距
- **校准创新**：无需真实力标签，通过**可微动力学** 估计传感器方向，降低了真实校准成本
- **超越二元接触**：与**粗糙二元接触** (binary contact)和**原始触觉单元** (raw-taxel)相比，CoP策略在**零样本迁移** 中显著更优，且策略状态隐含**物体质量等物理属性**
- 为**灵巧操作(delicate manipulation)** 提供了一种**新的触觉表示范式**，在保留丰富性的同时实现鲁棒sim-to-real迁移
- 提出的**校准方法** 简化了触觉传感器的实际部署流程
- 在两项挑战性任务上验证了**零样本迁移** 能力，并揭示策略**隐式学习物理属性** 的机制，推动**sim-to-real触觉学习** 发展