1. 课程导入

机器人正在从“看得见”走向“摸得着”。在装配、抓取、擦拭、插拔、打磨、医疗辅助等任务中，仅靠视觉往往无法判断接触是否发生、力有多大、接触点在哪里、物体是否滑动。触觉感知与接触操作工程，正是让机器人具备“手感”的核心技术体系。本课程围绕触觉传感器、信号处理、接触建模、力控策略与系统集成展开，目标是让学习者能够独立设计一套从感知到执行的闭环接触操作方案。

一、学习目标：从感知到操作的完整能力链

本课程的学习目标分为四个层次。第一层是认知层：理解触觉感知的物理量——接触力、压力分布、振动、温度、形变与滑动。第二层是方法层：掌握触觉信号采集、滤波、特征提取与接触状态估计的基本方法。第三层是控制层：能够设计阻抗控制、力位混合控制、导纳控制等接触操作策略。第四层是系统层：把传感器、控制器、执行器与任务规划集成为可运行的机器人触觉系统。

二、核心概念：触觉不是单一信号

触觉感知与视觉最大的区别在于：视觉是远场、非接触、全局的；触觉是近场、接触、局部的。触觉信号通常具有高维度、强非线性、易受摩擦与形变影响的特点。课程中会反复出现以下核心概念：

• 接触力：法向力与切向力的合成，决定物体是否被稳定抓取。
• 压力分布：阵列式触觉传感器输出的二维压力图，用于判断接触位置与接触面积。
• 滑动检测：通过振动或切向力变化判断物体是否在指尖滑动。
• 接触刚度：接触面抵抗变形的能力，直接影响力控参数整定。
• 力位混合控制：在接触方向上控力，在自由方向上控位。
• 阻抗/导纳控制：把机器人末端表现为“弹簧-阻尼-质量”系统，实现柔顺接触。

这些概念不是孤立的，而是通过“接触状态”串联起来。接触状态可以简单分为：自由空间、接近、初次接触、稳定接触、滑动、分离。不同状态对应不同的控制目标与信号特征。

三、整体知识框架：一张图看清课程结构

为了帮助学习者建立全局视角，下面用一张结构关系图展示本课程的知识框架。图中从物理层到任务层逐级向上，左侧是感知链路，右侧是操作链路，中间通过接触模型与控制策略耦合。

这张图说明：触觉感知不是终点，而是控制回路的起点。感知层输出接触状态，控制层据此调整末端运动与力，执行层产生新的接触，再被感知层捕获，形成闭环。课程后续章节会沿着这条主线逐层展开。

四、典型应用场景与关键参数

不同任务对触觉感知与接触操作的要求差异很大。下表列出四类典型场景及其关键参数，帮助学习者在实际项目中快速定位技术重点。

五、常见误区与复盘建议

复盘时建议按以下清单逐项检查：

1. 传感器是否完成零点、量程与温度漂移标定？
2. 接触状态判断是否区分了“接近”与“接触”？
3. 力控方向与位置控制方向是否解耦正确？
4. 是否设置了力/位安全限幅与急停条件？
5. 闭环带宽是否满足任务动态要求？
6. 是否记录了接触力、位置与时间戳用于复盘？

六、一个最小可运行示例

下面给出一个触觉数据采集与接触判断的伪代码片段，帮助建立“感知到判断”的直观认识。实际课程中会替换为真实传感器接口与机器人控制 API。

# 触觉数据采集与接触判断示例
import numpy as np

def read_tactile():
    # 返回 16x16 压力分布矩阵，单位 N
    return sensor.read_matrix()

def contact_detected(pressure, threshold=0.5):
    total = np.sum(pressure)
    peak = np.max(pressure)
    return total > threshold and peak > threshold * 0.3

def estimate_contact_center(pressure):
    ys, xs = np.indices(pressure.shape)
    total = np.sum(pressure)
    if total == 0:
        return None
    cx = np.sum(xs * pressure) / total
    cy = np.sum(ys * pressure) / total
    return cx, cy

while True:
    p = read_tactile()
    if contact_detected(p):
        center = estimate_contact_center(p)
        force = np.sum(p)
        print(f"接触发生 | 合力={force:.2f}N | 接触中心={center}")
    else:
        print("自由空间，继续接近")