突破性触觉驱动机器人学习：OSMO与MANUS手套的协同创新

Meta FAIR团队研发的OSMO触觉手套实现了人机技能转移的关键突破——通过捕捉人类演示中的丰富触觉反馈，首次在真实操作场景中完成从人类到机器人的触觉-运动技能精准迁移。这一创新标志着机器人学习从"视觉模仿"向"触觉感知"的范式转变，为复杂接触任务中的机器人自主操作开辟了新路径。

核心挑战解构

传统机器人学习系统高度依赖视觉手部跟踪技术，但在真实操作中面临两大根本性缺陷：其一，当指尖被物体、工具或操作表面遮挡时，视觉系统无法持续追踪手部姿态；其二，纯视觉方案无法感知压力、剪切力等接触力学特性，导致机器人执行时出现压力不足、施力不均、抓握失稳等接触相关故障。实验数据显示，缺乏触觉信息的视觉-本体感知基线策略在接触密集型任务中成功率仅56%，主要失效模式均与接触力控制缺陷直接相关。

系统解决方案

OSMO手套采用创新性的触觉感知架构：在指尖与手掌关键区域集成12个三轴磁性触觉传感器阵列，可同步捕捉法向力与剪切力的时空分布特征。为解决视觉遮挡导致的跟踪退化问题，系统创新性地集成MANUS Metagloves手部跟踪方案。该手套通过直接测量手指关节运动学参数，提供不受摄像机可视性限制的精准关节角度数据，且其操作频率与OSMO磁性传感器完美兼容，既保障了人类双手的自然灵巧性，又避免了传感器间的信号干扰。这种"触觉-运动"双模感知系统的协同设计，确保了遮挡场景下的连续手姿态跟踪，实现了手部运动轨迹与触觉力信号的时空对齐，使触觉驱动的人机技能转移在真实操作中具备工程实用性。

实证成果验证

在Franka机械臂搭载灵巧机械手的接触密集型擦拭任务评估中，融合MANUS手部跟踪与OSMO触觉反馈的训练策略展现出显著优势：相较纯视觉-本体感知基线56%的成功率，触觉增强策略将成功率提升至72%。触觉感知模块有效消除了压力不足、施力不均、抓握失稳等接触相关故障模式。剩余失败案例主要源于任务规划层面的覆盖不全，而非接触执行冲突，这从工程实践角度验证了MANUS-OSMO系统在推动稳定可靠的触觉驱动机器人学习中的核心价值。该成果为机器人执行精密装配、柔性物体操作等需要精细触觉反馈的任务提供了可靠的技术路径，标志着机器人触觉智能时代的正式开启。