来源笔记
ETac: A Lightweight and Efficient Tactile Simulation Framework for Learning Dexterous Manipulation
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。