首先在真实接触条件下测试触觉传感器的精度
首先要测试的是，当触觉传感器实际接触可变形物体时，能否准确测量力——因为变形本身可能会使传感器发生形变。2024年的一项研究制造了一种可拉伸手套，带有1152个力传感通道，结果发现如果不进行校正，接触产生的应变会导致误差；他们采用主动抑制方法，将力测量精度提升至97.6%，相比未校正读数提高了45.3% [1]。这意味着，如果跳过这一步，你的系统可能以为施加了2牛顿的力，而实际却是3牛顿——这对人体接触来说非常危险。因此，在任何交互之前，应运行一次校准测试，模拟你预期会遇到的精确可变形接触场景，并分别测量有无应变补偿时的力误差。
随后验证系统能否可靠地控制力并估计接触
一旦传感器精度达标，下一步就要测试控制回路能否维持期望的力，并准确估计接触角度——这两点对安全交互都至关重要。2023年的一项研究使用仿生触觉传感器（GTac）在可变形物体上控制工具，展示了准确的接触角估计和强大的力跟踪鲁棒性[5]。他们采用基于Koopman算子的控制器来处理可变形物体的非线性动力学，这提醒我们，标准的线性控制器可能不够用。在实际操作中，这意味着要运行一项测试：系统需对柔软物体（如海绵或假肢）施加恒定力，同时物体形状发生变化，并检查力是否保持在安全公差范围内，以及接触角度是否被正确识别。
最后，对未见物体、外力及动态条件下的泛化能力进行压力测试。
最困难的部分在于确保系统在条件变化时依然可靠——比如出现新物体、意外受力或负载移动。2025年的一项研究提出了一种统一表示方法（Shape-Space Deformer），能够提升对未知受力的泛化能力，并适应新物体，在重建精度和鲁棒性上优于现有方法[3]。另一项2026年的研究则刻意让软杯中的液体晃动，以此对视觉-触觉反射控制器进行压力测试，因为持续变化的负载不存在静态工作点——这正是力控制的最坏情况[4]。这些研究一致认为，泛化能力是关键瓶颈：要用训练中未出现过的物体和力曲线进行测试，并纳入动态扰动。如果系统在这些情况下失效，那它还不适合面向人类使用。
关于这些来源
本回答基于5项同行评审研究——发表于2023年至2026年间，其中3项为2024年或之后发表，1项发表于Q1期刊——这些研究是从5项通过质量筛选的研究中选出的最具相关性的成果，而后者又源自从超过5亿篇论文的数据库中检索到的37篇文献。
本文引用的文献
利用深度学习驱动的可拉伸触觉阵列捕捉与可变形物体的强力交互
2024年的一项研究采用具有1152通道的可拉伸触觉手套，通过主动应变抑制方法实现了97.6%的力测量精度，较未校正读数提升了45.3%，并在24个物体上以平均1.8厘米的误差重建了手-物状态。
基于视觉-触觉反馈的机器人操作用于物体打包
2023年一项关于物体打包的研究表明，一种结合视觉、触觉与力/力矩的视触觉反馈框架在准确性和效率上优于现有方法，该框架利用深度强化学习来选择最优动作。
形状空间变形器：用于机器人可变形物体操作的多模态视觉-触觉统一表征
2025年的一项研究提出了Shape-Space Deformer，这是一种用于可变形物体重建的统一表示方法，能够提升对未见力的泛化能力，并快速适应新物体，在重建精度和鲁棒性方面取得了显著提升，适用于实时应用。
TactileReflex：噪声统计驱动的视觉-触觉反射控制，用于力敏感操作
2026年一项关于TactileReflex的研究使用软杯中的流动液体对视觉-触觉反射控制进行了压力测试，证明了在无静态工作点的情况下持续重新分布负载的挑战性。
利用触觉反馈实现可变形物体上工具操作的交互控制
2023年一项使用GTac触觉传感器的研究表明，基于触觉引导的规划与控制框架能够准确估计接触角度，并在可变形物体上实现强大的力跟踪鲁棒性，该框架采用了基于Koopman的最优控制器。