引言

对于机器人触觉感知的研究者与开发者而言，传感器的标定工作一直是令人头疼的环节。最近，一项名为FeelAnyForce的研究提供了一种优雅的解决方案：一个模型，兼容多种视触觉传感器。本文将深入解读其技术细节与复现要点。

一、 模型架构：双任务驱动下的特征学习

图 1：自动化采集平台（UR机械臂 + GelSight Mini + 六维力传感器）→ 网络架构（ViT 编码器 + 力 / 深度双解码头）→ 下游应用（称重、抓取）

研究采用DINOv2预训练的Vision Transformer（ViT）作为图像编码器主干。其关键设计在于双任务解码头：

>  力回归头（MLP）：直接输出三维接触力向量（Fx, Fy, Fz），覆盖0-15N的力范围。

>  深度解码器：重建接触区域的深度图。

通过同时优化这两个任务，模型被强制学习与具体传感器光学特性解耦的、更具通用性的物理特征。消融实验表明，移除深度预测分支会导致跨传感器误差飙升，证明了该设计的有效性。

二、 训练策略：渐进式适应保障泛化能力

1、预训练：使用在大规模数据集上预训练的ViT，获得强大的通用视觉特征提取能力。

2、任务微调：在超过20万张GelSight Mini采集的真实接触图像-力数据对上，进行端到端微调，使模型专注于力估计任务，将误差降至4.2%。

3、快速适配：对于新的GelSight Mini传感器（如更换凝胶后），仅需约100张图像的校准数据，无需重新训练整个模型，即可恢复性能。

三、为什么选择 GelSight Mini 做基准？

优势	说明
MIT开创，视触觉行业领导者	Gelsight于2009年开创和商业化视触觉传感器
深度原生，迁移基石	独创光度立体法+透明凝胶体系，微米级精度且与材料无关——本研究"深度监督"设计的关键
机械一致，数据可靠	凝胶同心度<0.5mm，3×3交叉验证误差4.2%-6.3%，支撑200K样本采集与跨设备泛化
全球采用，学术认可	ROS/PyTouch原生支持，5分钟即插即用，全球顶尖实验室广泛采用

核心契合：深度可控 + 机械一致 + 学术权威 → 成为训练通用力模型、验证跨传感器迁移的 不二选择！

四、 实验验证：从静态测试到动态应用

研究进行了多维度验证：

1. 静态力估计：对10种不同物体进行测试，平均误差仅4.2%。
2. 推物称重：利用估计的摩擦力反推物体重量，误差在6-10%之间，证明了亚牛顿级（0.06N）的精度。
3. 形变控制：在抓取易碎塑料杯的任务中，能精准控制杯沿形变量，误差小于0.05%，展示了在未见形状上的泛化能力。

图3：通过推动进行物体重量估计。测试对象包括1kg金属砝码、装水瓶子（0.559kg/0.503kg）、玻璃瓶（0.63kg），验证动态力估计精度

图4：塑料杯 rim 形变定量控制实验。目标形变2.28%（力1.74N）和3.36%（力2.1N），实际达到2.27%和3.32%，误差<0.05%

五、 复现实践指南

对于想复现或借鉴此工作的团队，研究给出了清晰路径：

1、硬件配置：核心是GelSight Mini传感器与UR机械臂组成的自动化数据采集平台。力真值采集推荐使用BOTA系列六维力传感器（如MiniONE Pro）。

复现参考：GelSight Mini和MiniONE安装 在Robotiq指尖，

SensONE安装在UR 机械臂末端实物图

2、数据采集：可参考论文使用的10种3D打印压头，模拟多样接触场景。

3、迁移部署：训练好的模型可通过冻结ViT编码器、仅微调回归头的方式，快速适配到Digit等其他视触觉传感器上。

结语

这项研究为触觉感知模型提供了一种可泛化的设计思路，降低了GelSight Mini等先进传感器技术的应用门槛。其开源代码与详细方法，值得相关领域开发者深入研究。

论文链接

论文链接：https://arxiv.org/pdf/2410.02048.pdf

项目主页：http://prg.cs.umd.edu/FeelAnyForce

欢迎关注 “欣佰特科技” ，持续为大家带来 “具身智能领域”前沿技术及应用！详情可邮件咨询sales@cnbestec.com