触觉仿真重大突破！密歇根大学推出 HydroShear：零样本 sim-to-real 成功率 93%

近日，密歇根大学机器人系与亚马逊工业机器人（Amazon Industrial Robotics, AIR）团队联合发布了一项触觉仿真领域的重要研究成果——HydroShear。这是一种非完整约束的水弹性触觉剪切仿真模型，能够高精度还原真实触觉传感器在接触、滑动、扭转等复杂交互过程中的剪切力反馈，为接触丰富型机器人操作任务的强化学习（RL）提供了可靠的仿真训练环境。

传统触觉仿真长期面临一个核心难题：视觉保真度走在前面，但力学保真度严重不足。现有方法要么依赖计算昂贵的有限元方法（FEM），难以扩展到大批量 RL 训练；要么采用快速的惩罚式近似，却无法准确建模粘滑转变、路径依赖形变和触觉阴影效应，导致 sim-to-real 迁移时出现巨大的 reality gap。

图2 HydroShear 触觉剪切仿真流水线

HydroShear 从根本上解决了这一问题。它基于有符号距离函数（SDF）表示复杂几何形状，通过递归追踪压头表面点在传感器弹性膜上的位移历史，构建了一个完整的路径依赖接触模型。该模型能够准确模拟由 SE(3) 运动引起的剪切力场，捕捉静摩擦、滑动、迟滞等复杂力学行为。同时，借助 GPU 并行化加速，HydroShear 在保证高精度的同时保持了计算效率，并且与底层物理引擎解耦，具有良好的通用性。

研究团队在 GelSight Mini 触觉传感器上进行了系统验证。实验结果显示，在膨胀、平移剪切、扭转剪切、滚动剪切四种模式下，HydroShear 的预测误差（RMSE）均显著低于现有基线方法 TacSL 和 FOTS，剪切向量的方向余弦相似度也更高。

更具说服力的是零样本 sim-to-real 强化学习实验。研究团队使用 HydroShear 训练的 RL 策略，在四个典型接触丰富型任务——插销、装箱、上架、抽屉拉动——上实现了平均 93%（112/120）的成功率，远超基于触觉图像训练的策略（34%）和现有剪切仿真方法（58%–61%）。这四个任务分别挑战了手内位姿不确定性、多物体同时接触、侧向插入全接触以及滑移下的精细夹爪力调控等不同维度的难点。