当机器人的“眼睛”和“皮肤”合二为一，近接触感知盲区被彻底打通

在刚刚落幕的机器人顶会ICRA 2026上，北京邮电大学DeepTouch课题组的大三本科生杨灵悦为第一作者的研究论文 《TransTac: Visuo-Tactile Modality Transition via Ultraviolet-Encoded Transparent Elastomers》 被大会录用，并在人机交互论坛现场进行海报展示。

这篇论文提出了一个名为 TransTac 的新型视触觉传感器，首次在单个紧凑设备中同时实现了透明视觉观测与高精度触觉重建。它用紫外编码标记、双目立体匹配和RGB-D融合，彻底打通了机器人从“远场观察”到“近场接触”的感知鸿沟。

🧠 痛点：为什么机器人“快碰到物体时”反而看不清？

目前的机器人感知系统存在一个尴尬的断层：

• RGB-D相机（如Intel RealSense）虽然能提供全局深度，但在物体过于靠近（通常小于9cm）时，深度数据急剧退化，甚至完全失效；

• 传统视触觉传感器（如GelSight）虽然能重建接触形变，但它们的弹性体涂层是不透明的，遮挡了视觉观察，且只能感知接触界面，无法看到凹陷或非接触区域。

这就导致机器人在即将接触物体的关键瞬间，既看不清物体表面，也摸不着完整几何——感知上出现了一个 “近接触盲区”。

TransTac的目标正是填补这一空白：让传感器在未接触时保持透明，在接触时同时记录触觉形变和视觉外观。

💡 TransTac 核心创新：紫外编码透明弹性体 + 双目立体匹配

1. 透明弹性体 + 紫外反射标记

传统的视触觉传感器使用不透明的涂层层（如铝粉），TransTac反其道而行：采用透明硅胶弹性体，内部嵌入紫外反射荧光标记。日常白光照明下，传感器完全透明，相机可以透视看到背后的物体；当切换到紫外光时，标记点清晰显现，用于触觉形变跟踪。一个传感器，两套照明模式，时间复用，互不干扰。

2. 轻量化标记检测网络

由于标记点密集、半透明、且会在接触中发生形变和遮挡，传统的斑点检测经常漏检。团队设计了一个单阶段无锚点检测网络，结合高斯中心热图和边界框回归，配合ByteTrack跟踪算法，即使在滑动、滚动、大形变下也能稳定追踪每个标记点的位移。

3. 先验引导的Delaunay立体匹配

双目相机看到左右两个视图，如何将左图的标记点与右图的标记点一一对应？这是一个立体匹配难题——标记点外观几乎一样，且分布密集。

论文提出了一种先验引导的Delaunay匹配算法：

• 先用极线约束得到初始候选匹配；

• 对左右图分别构建Delaunay三角网，用三角形边长描述子进行相似性匹配，找到可靠的“锚点”；

• 从锚点向相邻三角形传播对应关系，保持局部拓扑结构。

相比全局匹配，该方法将正确匹配数量提升了约21%（从74.9个提高到90.8个）。

4. RGB-D融合与尺度优化

深度估计模型（如FoundationStereo）可以输出稠密深度图，但可能存在尺度偏差。TransTac利用稀疏三角化标记点提供的可靠真实深度，通过RANSAC和Umeyama对齐，对整个稠密深度图进行相似变换校正，最终得到度量准确的接触区域深度图。

实验表明，即使在RGB-D几乎失效的近接触距离（<9cm），TransTac的深度对齐误差仍稳定在 2.44mm 左右，为机器人提供了连续可靠的几何观测。

📊 实验结果：透明触觉图像竟能被视觉语言模型“看懂”

论文设计了四个维度的评测，其中最惊艳的结果来自语义可识别性实验。

✅ 零样本识别准确率高达83.3%

团队选取了6类物体（鸡蛋、硬币、电池、乐高块、纽扣、玻璃珠），分别用GelSight Mini、9DTact和TransTac采集触觉图像，然后用视觉语言模型（Qwen-VLM、ChatGPT-VLM）和开放词汇检测器（YOLO-World、YOLO-E）进行零样本识别。

结果：

• ChatGPT-VLM在TransTac图像上的识别准确率为83.3%，而GelSight仅30.2%，9DTact仅12.5%。

• DINOv2特征中心的类间相似度：GelSight约0.236，9DTact约0.202，而TransTac高达0.774，接近自然图像的表现。

这意味着：TransTac采集的触觉图像保留了丰富的视觉语义，可以直接被预训练的视觉-语言模型理解，而传统不透明触觉传感器的输出则与自然图像特征严重偏离。

✅ 近接触几何恢复：填补RGB-D盲区

当物体距离传感器小于9cm时，RealSense D405的有效深度像素比例急剧下降至10%以下。而TransTac通过标记点三角化和RGB-D融合，仍能稳定输出近接触区域的稀疏深度，并校正稠密深度图的尺度。

✅ 标记点跟踪稳定性

在滑动、滚动、大形变场景下，基于深度学习的检测+ByteTrack跟踪明显优于传统光流法，避免了漂移和身份交换。