v0 · 完整正文
研究综述
研究边界
版本说明:本轮以 15 篇可获取完整正文的论文为论证主干,逐篇核对问题、方法、结果与限制;未能取得可读全文的论文不再承担正文结论。
本文聚焦“触觉世界模型”:机器人在接触丰富操作中,利用视觉、触觉、力/力矩、动作、语言或机器人状态来预测未来接触演化,并把预测用于规划、策略生成、推理期修正或闭环反射控制。时间范围为 2026 年 1 月 14 日至 7 月 14 日。本次范围综述从 867 条去重候选中核验 124 篇可用全文,并以 23 篇直接相关论文构成证据主干;检索覆盖世界模型、触觉表征、数据采集、控制接口、限制与迁移方向。
候选数量、全文数量、关键维度和连续低新增轮次均满足停止条件。无法取得可核验正文的候选不支撑结论,扫描件明确不在本次探索范围内。
核心结论
“触觉世界模型”不是把触觉图像塞进视觉世界模型,而是要建模接触状态如何随动作变化。现有证据显示,真正有用的触觉世界模型至少要同时处理四件事:接触变量表征、时间同步数据、动作条件预测、闭环使用接口;如果只增加一个触觉模态而不解决表征兼容和评测闭环,收益会不稳定(ContactWorld, Visuo-Tactile World Models)。
问题结构
第一层是感知变量。RGB 看不到接触力、摩擦、滑移、材料和被遮挡局部几何;
本轮论文进一步把这个差异落到世界模型上:Visuo-Tactile World Models 用触觉 grounding 改善物体持续性和物理一致性,TacForeSight 用 wrist force/torque 条件化未来触觉潜在状态,HapTile 还把 marker displacement 作为显式接触几何和滑移线索保存(Visuo-Tactile World Models, TacForeSight: Force-Guided Tactile World Model for Contact-Rich Manipulation, HapTile: A Haptic-Informed Vision-Tactile-Language-Action Dataset for Contact-Rich Imitation Learning)。
第二层是表征与预测。ContactWorld 的关键结论是,触觉世界模型的收益依赖表征结构和跨模态兼容;点云和触觉力场组合在其 基准 中给出最强平均规划表现,但真实机器人附录也显示 TacDepth/TacFF 不总是稳定增益,原因包括标定和力推断噪声。Dream-Tac 则说明触觉信号是事件驱动、稀疏且随接触变化突增的,因此使用 contact gate 和 contact-aware attention,而不是把触觉当作持续视觉通道( , ContactWorld: What Matters in Vision-Tactile World Models for Contact-Rich Manipulation, Dream-Tac: A Unified Tactile World Action Model for Contact-Rich Robot Manipulation)。
第三层是数据工程。Visuo-Tactile World Models 的小规模但完整数据包括 124 条遥操作演示、约 112k datapoints、8 个接触任务、成功和失败轨迹、本体状态、外部视频与四个 Digit 360 指尖视频;OmniVTA 扩展到 21,879 条轨迹、86 任务、126 对象和多传感器;HapTile 提供 1,726 条演示、38 任务、9 类技能、语言指令、15Hz 同步视觉/触觉/状态/动作;
第四层是闭环使用。OmniVTA 把预测的接触演化接到 60Hz reflexive tactile controller;TacForeSight 把预测触觉 潜在状态 作为 anticipatory contact priors;ViTaL 把 visuo-触觉潜在状态 world model 用于推理期候选动作验证;AT-VLA 则把视觉语言慢流和触觉快流分离,使用 3:1 快慢流比例处理接触反馈。
主要共识
共识一:视觉世界模型在接触丰富任务中缺关键状态。遮挡、视觉别名、局部接触、滑移和微小力变化,会让纯视觉预测在“最后几厘米”失真;触觉提供的是局部物理状态,不只是另一个图像视角。Visuo-Tactile World Models、TacForeSight、HapTile 等论文从模型、预测和数据三侧直接支持这点(Visuo-Tactile World Models, TacForeSight: Force-Guided Tactile World Model for Contact-Rich Manipulation, HapTile: A Haptic-Informed Vision-Tactile-Language-Action Dataset for Contact-Rich Imitation Learning)。
共识二:模型必须显式尊重时间。触觉是接触事件驱动的,高速力/力矩可以先于指尖触觉变化,未来触觉 潜在状态 比当前触觉拼接更适合做 proactive control;同时长时域规划会放大接触预测误差。
这一结论在 TacForeSight、ContactWorld 和 Dream-Tac 中分别表现为 force-conditioned tactile foresight、long-horizon tactile importance 和 contact-gated attention( ContactWorld: What Matters in Vision-Tactile World Models for Contact-Rich Manipulation, TacForeSight: Force-Guided Tactile World Model for Contact-Rich Manipulation, Dream-Tac: A Unified Tactile World Action Model for Contact-Rich Robot Manipulation)。
共识三:数据质量的定义必须包括闭环可用性。数据采集要同时管理硬件、同步、标定、动作、元数据和质量控制;TAMEn 对“成功演示不能代表可执行机器人行为”的批评尤其重要,因为接触丰富任务的临界失败往往来自力积累、早期滑移、局部变形或支撑不稳,这些状态只有真实物理交互和恢复数据才能覆盖(TAMEn: Tactile-Aware Manipulation Engine for Closed-Loop Data Collection in Contact-Rich Tasks)。
条件与分歧
触觉不是无条件增益。ContactWorld 的真实实验显示,点云对阀门旋拧很强,TacRGB 对图像视角有帮助,但 TacDepth/TacFF 在真实设置中并不总是稳定;作者把一部分原因归到传感器标定、深度和力推断噪声。这个结果提醒我们:触觉表示、视觉表示和动作模型 潜在状态 必须兼容,否则“多模态”可能变成噪声注入( ContactWorld: What Matters in Vision-Tactile World Models for Contact-Rich Manipulation;)。
在线触觉与离线触觉蒸馏代表两条部署路线。OmniVTA、TacForeSight、ViTaL 和 AT-VLA 偏向在线感知和实时修正;HapticVLA 则主张通过安全接触奖励与 tactile distillation,在推理期不依赖触觉传感器也能获得触觉 aware 行为。前者适合扰动丰富、接触不可预测的场景,后者适合硬件成本或跨平台复现压力大的场景;
推理期使用世界模型会引入新的误差链。ViTaL 明确指出 潜在状态 world model 的保真度会影响候选动作验证,尤其是细微接触事件;触觉编码器的预训练规模也远小于现代视觉语言模型。这意味着“用世界模型挑动作”并不自动比行为克隆安全,除非评测覆盖 compounding error、接触误报/漏报和高频控制延迟( Inference-time Policy Steering via Vision and Touch;)。
未解决问题
第三,触觉世界模型尚未形成统一的数据规范。HapTile 强调语言、动作、同步和 marker motion,TAMEn 强调可执行性与恢复,Visuo-Tactile World Models 强调成功/失败轨迹,OmniVTA 强调多任务多传感器。
对后续研究的启发
如果要做“触觉世界模型”,建议把研究对象定义为“动作条件的接触未来预测”,而不是“视觉世界模型加触觉输入”。最低可行模型可以预测短时域 触觉潜在状态、contact mask/force-field 或 marker displacement,并把预测接到 MPC、policy steering 或动作 head;
TacForeSight 和 Dream-Tac 分别给了 force-conditioned 潜在状态 prediction 与 world-action generation 两种参考形态( TacForeSight: Force-Guided Tactile World Model for Contact-Rich Manipulation, Dream-Tac: A Unified Tactile World Action Model for Contact-Rich Robot Manipulation; model formulation follows from current strongest methods)。
数据采集上,建议设计“触觉世界模型数据五件套”:时间同步的视觉/触觉/动作/本体状态,至少一种 force 或 tactile-derived contact geometry,成功与失败演示,扰动恢复片段,机器人侧可执行性与闭环 replay 检查。
这个建议直接来自 Visuo-Tactile World Models、HapTile 和 TAMEn 对模型、数据与可执行性的共同约束(Visuo-Tactile World Models, HapTile: A Haptic-Informed Vision-Tactile-Language-Action Dataset for Contact-Rich Imitation Learning, TAMEn: Tactile-Aware Manipulation Engine for Closed-Loop Data Collection in Contact-Rich Tasks)。
中心判断的工程化表达
触觉世界模型应被定义为“动作条件下的接触状态预测器”,而不是增加触觉输入的视频模型。它至少要回答三件事:接触是否建立,接触如何随动作变化,预测能否在控制截止前改变动作。若只重建触觉图像,却不能改善滑移检测、恢复或安全施力,就没有证明世界模型的控制价值。
数据单元应围绕接触事件组织。每个片段需要同步视觉、触觉、力矩、本体状态和动作,标出首次接触、稳定抓取、滑移、脱离与恢复。成功演示之外,还要采集扰动和失败邻域;这些片段决定模型是否只会复现理想路径,还是能在真实偏差中修正。
模型接口也应分时标。语言与视觉负责低频任务理解,触觉和力负责高频局部修正;快速通道不必重复完整语义推理,慢速通道也不能忽略接触告警。分层结构能降低延迟,却要求两条通道共享时间和动作状态,否则融合会制造新的错误。
评测应从四级展开:预测能否识别接触事件,短时动作能否降低滑移或过力,长时任务能否稳定完成,跨传感器与材料是否仍然校准。表征分数可以帮助诊断,但不能替代真实控制结果。尤其要报告错误拒绝与不确定性,避免世界模型在细微接触上自信地给出错误建议。
部署路线可以分成在线感知和离线蒸馏。在线触觉适合扰动不可预测、接触风险高的任务;离线蒸馏适合硬件受限、环境稳定的场景。两者的选择取决于失败代价与状态可预测性,而不是单纯比较模型规模。
精读复核后的证据重心
移出无法取得完整正文的几篇论文后,领域主线仍然清晰,但评测语言应更谨慎。ContactWorld 表明触觉并非“加了就好”,其效果依赖视觉与触觉表征在空间结构、时间连续性和跨模态动力学上是否兼容;Dream-Tac 把未来视觉、未来触觉和动作块统一为世界动作目标,但它仍然是特定传感器与任务上的结果。
数据与评测两端也更具体。TAMEn 将动捕精度模式、VR 便携模式与人在环恢复数据组合成金字塔数据配方;SoftVTBench 则说明只看任务成功会忽略滑移、掉落和过度形变等安全错误。因此,触觉世界模型的最小完整链条是:同步接触数据、可执行的未来预测、扰动恢复与独立安全指标。
References
- ContactWorld: What Matters in Vision-Tactile World Models for Contact-Rich Manipulation
- Visuo-Tactile World Models
- TacForeSight: Force-Guided Tactile World Model for Contact-Rich Manipulation
- HapTile: A Haptic-Informed Vision-Tactile-Language-Action Dataset for Contact-Rich Imitation Learning
- Dream-Tac: A Unified Tactile World Action Model for Contact-Rich Robot Manipulation
- TAMEn: Tactile-Aware Manipulation Engine for Closed-Loop Data Collection in Contact-Rich Tasks
- Inference-time Policy Steering via Vision and Touch
- SoftVTBench: A Safety-Aware Visuo-Tactile Benchmark for Physically Constrained Robotic Manipulation of Deformable Objects