自适应抓取多样化物品，是机器人迈向实用化的关键一步，也是当前机器人研究领域的核心挑战之一。传统机器人抓取动作多依赖预设程序或恒定力控制，难以应对未知物体或复杂环境的不确定性和多变性。近年来，尽管视觉与触觉融合的技术路线取得了一定进展，但触觉数据集的构建，仍效率低下，基于数据驱动的感知模型，迁移泛化性差。如何让机器人像人一样，通过触觉实时感知并自主调控抓握动作，实现通用、鲁棒的抓取？
近期，清华大学朱荣团队在《国家科学评论》（National Science Review, NSR）上发表论文，报道了一种仿人的感知-控制协同（sensory-control synergy, SCS）新方法。研究团队采用自主研制的多模态触觉手套，采集人类抓取时的触觉数据，借鉴人脑对触觉信息的处理与决策机制，构建了一套可高效迁移至机器人的感知-控制协同架构。这项工作为机器人获得人类的通用抓取技能，提供了一条数据高效、切实可行的新路径。
机器人手冲咖啡。该过程涉及对不同物品的多步抓取，体现出新方法的适应与泛化能力。
在这项研究中，研究团队研制出一款可穿戴的多模态触觉手套，其指尖集成了自主研发的触觉传感器，能够同步感知接触、滑移和压力信号。利用手套，研究人员采集人类抓取物体时的触觉数据，构建了真实、高效的触觉交互数据集。
受人类神经认知机制的启发，研究团队学习人类处理触觉信息的“逻辑”，将高维触觉信号编码为“稳定”、“轻微不稳定”、“中度不稳定”等高层语义化的抓取状态，构建了“触觉-状态”映射模型。该方法有效消除了因物品的材料和形态各异、及抓取位姿差异引起的信号波动影响，大幅降低了对大规模标注数据的依赖，并在抓取新物体上仍保持良好泛化能力。
在此基础上，团队模拟人类运动控制策略，设计了“状态–动作”模糊控制器，能够根据当前与历史抓取状态，实时输出分级力调节指令（如“小幅加力”“中幅加力”），实现类似人类的动态力调节功能。
人类抓握技能学习架构。（a）人类的抓取感知-控制协同机制。（b）触觉手套示意图。（c）机器人的抓取感知-控制协同机制。
实验证明，人类SCS模型可以仅利用一名受试者的少量数据集，进行高效地构建，并且由于模仿人类的神经认知和自适应交互，该SCS模型能够较好地推广到抓取未见过的物体。将建立的人类SCS模型部署到机器人系统后，机器人能够在抓取过程中，实时通过触觉信号自主调整抓握力，实现对各类物品的通用抓取。
在各种情况下，机器人在有无“感控协同SCS”的抓取效果对比。
实验测试表明，机器人在抓取日常生活中各种易滑、易碎、柔软和沉重的物品时，平均成功率达到 95.2%。机器人不仅能稳定抓取日常物品，还能在外部扰动下自适应防滑，并成功完成多步骤操作的复杂任务（如手冲咖啡），体现出良好的环境适应与任务泛化能力。SCS方法有望应用于家庭服务、医疗辅助等复杂场景的技能学习，推动机器人操作智能向更人性化、自适应方向发展。