灵巧手触觉力学预测与抓取决策
研究背景
本课题面向 AI+具身智能+机器人触觉感知的交叉方向，采用两阶段研究路线：第一阶段仅利用灵巧手在接触材料时采集到的触觉信息，预测材料在抓取过程中的力学信息与力学状态；第二阶段将原始触觉表征与第一阶段预测出的力学表征共同输入到材料感知/抓取决策模型中，用于识别材料操作特性、判断抓取稳定性并给出策略建议。这里的触觉信息包括手指/掌部 taxel 激活强度、激活面积、触觉时序变化和触觉帧分布；预测力学信息包括力峰值、力波动、接触稳定性、滑移风险和可见形变等级等。与依赖相机或光谱的材料识别不同，本课题把“手摸到的信号”转化为可解释的力学中间表征，再服务于机器人材料理解和动作决策。
当前数据基础来自布料材料的灵巧手抓取实验。原始数据中包含触觉时序、触觉帧、抓取策略、接触稳定性、滑移估计、力峰值与触觉激活变化等信息。建模时应明确区分两个阶段：阶段一输入侧主要使用触觉 taxel 时序和触觉帧特征，输出侧使用 forceAct 派生指标、hold_middle_force_max_abs、hold_thumb_force_max_abs、hold_force_std_abs、stable_contact、possible_slip、visible_deformation 等力学标签；阶段二输入侧使用触觉表征和阶段一模型输出的预测力学表征，不能直接使用真实力学标签作为推理输入。
整理后的数据包包含 3960 次试验，其中 accepted 3786 次、failed_spectrum 174 次；触觉帧记录 205920 条。平均接触检测率 100.0%，稳定接触率 93.3%，可能滑移率 6.0%。这些力学状态标签可作为阶段一的监督学习目标；阶段二则进一步验证“触觉 + 预测力学”是否比“仅触觉”更有利于材料感知和抓取决策。
关键词：transfer learning；embodied intelligence；dexterous hand；tactile sensing；mechanical property prediction；force estimation；material perception；robotic grasping decision；flexible material mechanics。
课题创新点
老师介绍
K老师，剑桥大学工程学院电子工程方向博士，研究方向覆盖人工智能、无线通信、机器人、光子器件、传感系统与工程建模等多个交叉领域，具备扎实的工程基础、科研训练与跨学科研究能力。
主要研究方向包括人工智能、机器学习、深度学习、AI+金融、量化金融、股票收益预测、金融时间序列建模、图神经网络等。
以第一作者发表 SCI 论文 8 篇，其中包括中科院一区论文 4 篇、二区论文 2 篇、三区论文 2 篇，另有十余篇 SCI/EI 合作论文。代表性成果发表于 IEEE Transactions on Robotics（IEEE TRO，中科院一区 Top，IF=10.5）、IEEE Transactions on Intelligent Transportation Systems（IEEE T-ITS，中科院一区Top，IF=8.4）、Expert Systems with Applications（ESWA，中科院一区Top，IF=7.5）、Neural Networks（中科院二区 Top，IF=6.3）等高水平期刊。熟悉 IEEE、Elsevier、Springer 等主流期刊写作、投稿与审稿逻辑，可从审稿人视角帮助学生优化创新点、实验设计、结果分析和 rebuttal 回复。
课程大纲
课程构成： 12节小班课
4V1多维论文支持体系
| 角色 | 职责 |
|---|---|
| 班主任 | 督学，跟进学习进度，规划全程进度管理 |
| 课程顾问 | 答疑、提供前沿文献资料与研究方法 |
| 主导师 | 授课，全程不定时答疑，提供方向性指导 |
| 代码导师 | 辅助教学，协助代码调试与技术落地 |
服务内容
✅ 12节1v多小班研讨课（4–8人精品小组，每周1次，约90分钟/次）
✅ 2节不限时1v1深度辅导（个性化选题 + 论文修改 + 科研规划）
✅ 全程导师在线答疑（微信群，24小时内回复）
✅ 完整课程资料（论文精读笔记、代码模板、写作指南、投稿Checklist）
✅ 课程结束后3个月内持续跟踪辅导（投稿后修改、Rebuttal支持）
✅ 科研能力评估报告 + 符合条件者可获导师推荐信
✅ 课程永久回放，随时可学
灵巧手触觉力学预测与抓取决策
研究背景
本课题面向 AI+具身智能+机器人触觉感知的交叉方向，采用两阶段研究路线：第一阶段仅利用灵巧手在接触材料时采集到的触觉信息，预测材料在抓取过程中的力学信息与力学状态；第二阶段将原始触觉表征与第一阶段预测出的力学表征共同输入到材料感知/抓取决策模型中，用于识别材料操作特性、判断抓取稳定性并给出策略建议。这里的触觉信息包括手指/掌部 taxel 激活强度、激活面积、触觉时序变化和触觉帧分布；预测力学信息包括力峰值、力波动、接触稳定性、滑移风险和可见形变等级等。与依赖相机或光谱的材料识别不同，本课题把“手摸到的信号”转化为可解释的力学中间表征，再服务于机器人材料理解和动作决策。
当前数据基础来自布料材料的灵巧手抓取实验。原始数据中包含触觉时序、触觉帧、抓取策略、接触稳定性、滑移估计、力峰值与触觉激活变化等信息。建模时应明确区分两个阶段：阶段一输入侧主要使用触觉 taxel 时序和触觉帧特征，输出侧使用 forceAct 派生指标、hold_middle_force_max_abs、hold_thumb_force_max_abs、hold_force_std_abs、stable_contact、possible_slip、visible_deformation 等力学标签；阶段二输入侧使用触觉表征和阶段一模型输出的预测力学表征，不能直接使用真实力学标签作为推理输入。
整理后的数据包包含 3960 次试验，其中 accepted 3786 次、failed_spectrum 174 次；触觉帧记录 205920 条。平均接触检测率 100.0%，稳定接触率 93.3%，可能滑移率 6.0%。这些力学状态标签可作为阶段一的监督学习目标；阶段二则进一步验证“触觉 + 预测力学”是否比“仅触觉”更有利于材料感知和抓取决策。
关键词：transfer learning；embodied intelligence；dexterous hand；tactile sensing；mechanical property prediction；force estimation；material perception；robotic grasping decision；flexible material mechanics。
课题创新点
老师介绍
K老师，剑桥大学工程学院电子工程方向博士，研究方向覆盖人工智能、无线通信、机器人、光子器件、传感系统与工程建模等多个交叉领域，具备扎实的工程基础、科研训练与跨学科研究能力。
主要研究方向包括人工智能、机器学习、深度学习、AI+金融、量化金融、股票收益预测、金融时间序列建模、图神经网络等。
以第一作者发表 SCI 论文 8 篇，其中包括中科院一区论文 4 篇、二区论文 2 篇、三区论文 2 篇，另有十余篇 SCI/EI 合作论文。代表性成果发表于 IEEE Transactions on Robotics（IEEE TRO，中科院一区 Top，IF=10.5）、IEEE Transactions on Intelligent Transportation Systems（IEEE T-ITS，中科院一区Top，IF=8.4）、Expert Systems with Applications（ESWA，中科院一区Top，IF=7.5）、Neural Networks（中科院二区 Top，IF=6.3）等高水平期刊。熟悉 IEEE、Elsevier、Springer 等主流期刊写作、投稿与审稿逻辑，可从审稿人视角帮助学生优化创新点、实验设计、结果分析和 rebuttal 回复。
课程大纲
课程构成： 12节小班课
4V1多维论文支持体系
| 角色 | 职责 |
|---|---|
| 班主任 | 督学，跟进学习进度，规划全程进度管理 |
| 课程顾问 | 答疑、提供前沿文献资料与研究方法 |
| 主导师 | 授课，全程不定时答疑，提供方向性指导 |
| 代码导师 | 辅助教学，协助代码调试与技术落地 |
服务内容
✅ 12节1v多小班研讨课（4–8人精品小组，每周1次，约90分钟/次）
✅ 2节不限时1v1深度辅导（个性化选题 + 论文修改 + 科研规划）
✅ 全程导师在线答疑（微信群，24小时内回复）
✅ 完整课程资料（论文精读笔记、代码模板、写作指南、投稿Checklist）
✅ 课程结束后3个月内持续跟踪辅导（投稿后修改、Rebuttal支持）
✅ 科研能力评估报告 + 符合条件者可获导师推荐信
✅ 课程永久回放，随时可学