---
source: arxiv
url: http://arxiv.org/abs/2604.20295v1
published_at: '2026-04-22T07:51:20'
authors:
- Zhe Xu
- Feiyu Zhao
- Xiyan Huang
- Chenxi Xiao
topics:
- tactile-simulation
- dexterous-manipulation
- reinforcement-learning
- sim2real
- robot-learning
relevance_score: 0.81
run_id: materialize-outputs
language_code: zh-CN
---

# ETac: A Lightweight and Efficient Tactile Simulation Framework for Learning Dexterous Manipulation

## Summary
## 摘要
ETac 是一个用于灵巧操作的触觉仿真框架，目标是在接近 FEM 的形变质量下，避免 FEM 级别的计算开销。它把一个简单的物理先验和一个小型学习修正模型结合起来，再用仿真的触觉场在大规模强化学习中训练盲抓取策略。

## 问题
- 触觉强化学习需要大量模拟交互，但像 FEM 这样的高保真软体仿真器速度太慢，无法支持大规模并行训练。
- 更快的触觉仿真器往往只模拟局部压痕，忽略弹性体内部的形变传播，这会降低真实感，尤其是在曲面传感器表面上。
- 这很重要，因为现代触觉手依赖丰富的接触模式，而不只是二值接触或力信号，才能稳定地完成灵巧操作。

## 方法
- ETac 将触觉传感器表面离散为 3D 节点，并用有符号距离场检测接触。处于接触状态的节点是“active”节点。
- 它用两个部分估计未接触“passive”节点的形变：一个指数距离衰减传播项，以及一个轻量级残差网络。
- 衰减项提供了一个快速的物理先验，用来描述压痕如何在弹性体表面扩散。
- 残差网络由 PointNet 风格编码器和 MLP 解码器组成，用来修正线性衰减模型的误差，并捕捉曲率、各向异性以及接触点之间相互作用等非线性效应。
- 传播参数先用 FEM 生成的形变数据训练，然后把得到的位移场作为 PPO 的触觉输入，用于 ShadowHand 的盲抓取任务。

## 结果
- 在与 FEM 真实值对比的形变估计中，ETac 在轻量级基线里取得了最好的 RMSE：平面弹性体上为 **0.058 ± 0.034 mm**，曲面弹性体上为 **0.116 ± 0.049 mm**；TacSL 分别为 **0.194 / 0.445 mm**，Taxim 分别为 **0.163 / 0.447 mm**。
- 完整模型优于自己的消融版本：仅线性项在平面/曲面弹性体上的 RMSE 为 **0.151 / 0.256 mm**，仅残差项为 **0.074 / 0.128 mm**。
- 在真实传感器响应预测中，用 ETac 生成的数据在平面传感器上的 L1 loss 为 **3.94%**，在曲面传感器上为 **3.61%**；使用 FEM 数据时分别为 **2.46%** 和 **2.75%**。
- 在单张 RTX 4090 上的强化学习吞吐量测试中，ETac 支持 **4,096** 个并行环境，在该规模下达到 **869 total FPS**。论文称，这比同一 GPU 上的 FEM 高 **11×** 的 FPS，并支持 **128×** 更多并行环境。
- ETac 的总 FPS 在 **64、256、1024、4096** 个环境下分别为 **669、956、878、869**。Taxim 在 **64、256、1024** 个环境下分别达到 **508、620、650**，在 **4096** 时内存不足；TacSL 分别达到 **698、975、918、886**。
- 在四类物体的盲抓取任务中，完整的全手触觉配置达到 **84.45% ± 13.09** 的平均成功率；指尖传感器为 **72.90% ± 21.06**，使用物体位姿的非触觉基线为 **62.97% ± 37.82**。论文将这归为相对基线提升 **21.48** 个百分点。

## Problem

## Approach

## Results

## Link
- [http://arxiv.org/abs/2604.20295v1](http://arxiv.org/abs/2604.20295v1)