亚马逊与密歇根大学开发HydroShear触觉模拟器，机器人仿真学习成功率达 93%
HydroShear通过路径依赖力跟踪模拟触觉剪切力，使机器人在仿真中学习的操作策略无需修改即可迁移至真实环境。
AI解读：HydroShear解决的是机器人触觉仿真的核心矛盾：既要有物理精度，又要够快以支撑大规模强化学习训练。此前基于物理的有限元方法准确但太慢，快速近似模型又无法捕捉物体滑动的关键时刻，导致仿真训练的策略在真实机器人上几乎不可用。HydroShear在现有水弹性接触模型上加入路径依赖的力跟踪，逐点记录物体在软传感器上的运动历史并计算弹性体变形，从而模拟出摩擦力、滑移和材料特性带来的力场，且支持GPU并行加速。研究团队在四种接触密集型任务中训练策略后直接部署到带GelSight Mini传感器的Franka机器人上，无需微调即达到 93% 的平均成功率，远超基线TacSL的 34% 和FOTS的 58-61%。对做机器人操作研发的团队来说，这直接降低了数据采集成本和传感器磨损风险；对亚马逊这类依赖仓库自动化的企业，涉及分拣、装箱、整理等需要精细触觉感知的工作流可能因此获得更可靠的仿真预训练方案。不过该成果目前基于视觉触觉传感器和实验室条件，尚未公开证实多物体复杂交互或大规模产业部署的效果，实际收益仍取决于后续硬件适配与场景验证。普通消费者无需立即关注此项研究，它主要影响机器人开发者和自动化方案采购方的能力边界。
亚马逊与密歇根大学的研究人员提出HydroShear触觉模拟方案，使机器人的触觉操作策略能完全在仿真中训练并直接用于真实环境。研究者在四类接触密集型任务中取得 93% 的平均成功率，而同条件下的简化力近似基线TacSL仅有 34%，学习型基线FOTS为 58% 至 61%。
据Amazon Science发布的博客，任务包括销钉插入、箱内装箱、书本入架和抽屉拉取，机器人仅凭触觉和本体感受执行操作，且无法获取物体位姿信息。研究者将策略在仿真中训练后，直接部署到装载GelSight Mini传感器的Franka机器人上，未经任何修改或调参。
HydroShear的核心是改进水弹性接触模型，加入"路径依赖力跟踪"能力。它逐点追踪物体在软传感器膜面上运动过程中力的累积方式，结合物体移动时各接触点接触时间的先后，计算软弹性体变形并生成含摩擦、滑移和材料特性的力场，支持GPU并行和全 3D运动如倾斜滚动与平面滑动。
研究者通过机械臂和视觉触觉传感器GelSight Mini收集真实数据来标定模拟器的四个关键参数：力在传感器表面的耗散方式、切向力的积累模式、法向力的建立方式以及物体与弹性体之间的摩擦系数，从而确保模拟输出与真实触觉反馈一致。
仿真到真实的迁移验证
研究者设计了四类任务，分别对应不同的触觉操作难点：销钉插入要求仅靠触觉检测并修正对准误差；箱内装箱需要穿透多物体接触并从多个方向同时感知力；书本入架要求处理面积大、难以仅凭触觉定位的宽接触区；抽屉拉取则要求在随机外力干扰下感知把手滑移的初始状态并及时调节握持力。
他们用HydroShear在仿真中完成强化学习训练，然后直接部署到真实Franka机器人上，四类任务的平均成功率达到 93%。强度上对比的两个基线为使用简化力近似的TacSL和近期学习型方法FOTS，前者成功率 34%，后者 58% 至 61%，差距表明精确触觉剪切模拟对操作能力有直接影响。
仿真训练的成本与适用边界
博客说明，全套仿真训练相比真实机器人试错更快速省本，后者可能损伤传感器且需要大量重复实验。研究者指出，准确触觉仿真应用于仓库自动化等场景，装箱、分拣和精细搬运等任务可借此减少真实世界数据收集工作量。
HydroShear目前与GelSight一类的视觉式触觉传感器结合效果较好，另在探索更精细传感器仿真与更复杂物体几何模型能否继续提升表现。