对话 IROS 最佳论文奖入围团队：灵巧手的「反内卷」，先让手掌动起来

一只机器人手要拧开防儿童瓶盖，最直接的思路，是让它越来越像人手 。

更多手指、更多关节、更多自由度，再训练一套足够复杂的控制策略。

普渡大学的 周于皓 和合作者却给出了另一个答案：

先别急着继续加手指，让手掌也动起来。

在 IROS 2026 现场， 周于皓 展示了团队的 VTAP Gripper。这项入选最佳论文奖的工作，只采用了三根手指，但原本经常只是被动支撑面的 palm，被做成了一个既可以主动运动、又具备视觉和触觉感知能力的接触面。

论文由 周于皓 、Sheeraz Athar、胡智娴、黄秉豪、李昀烛、Juan Wachs 和 佘宇 共同完成。其中， 周于皓 、Sheeraz Athar、 胡智娴 、Juan Wachs 和 佘宇 来自普渡大学， 黄秉豪 和 李昀烛来自哥伦比亚大学；佘宇为通讯作者 。

论文一 作 周于皓 是普渡大学工业工程博士四年级，他 所在的 MARS Lab 由 佘宇 主持，研究方向是把机构设计、触觉传感和强化学习结合起来。据普渡大学工业工程学院的消息，MARS Lab 与合作者共有 10 篇研究成果被本届 IROS 接收。

在接受 42 号电波采访时 ， 周于皓 说，自己对这篇论文能入围有些意外。论文试图探索一种不同于高度仿人灵巧手的 设计空间：能否通过 finger-palm synergy 和多模态感知，用更简单的机械结构获得足够丰富的 manipulation ability。

机器人究竟需要多少复杂度，才足够灵巧？这是 VTAP 想回答的问题。

自由度应该加在哪里？

今天的机器人末端执行器，大致可以看到两个极端。

一边是工业场景常见的一自由度 parallel gripper：结构简单、稳定、容易控制，但通常只能完成相对基础的抓取和放置。

另一边则是越来越拟人的灵巧手。五指、十几个甚至二十多个自由度，让它们拥有更接近人手的运动空间，但机械和控制复杂度也随之快速增加。

周于皓 并不否认高自由度的意义。他在采访中提到，高自由度确实能够带来更丰富的操作能力，但同时需要更复杂的 learning-based method，机械系统本身也更容易 面对过热、关节故障等工程问题，故障率远高于工厂里的平行夹爪。

因此，他们团队想探索的是两个极端之间的区域：「会不会三指就已经足够完成大部分任务了？」

在 周于皓 看来， 控制简单度和 dexterity 之间并不是简单的线性关系，可能存在一个更合适的设计区间。

因此，VTAP 没有继续卷手指数量。它有三根手指，每根手指 4 个自由度，但团队把 palm 也纳入操作系统：手掌不再只是一个被动的固定支撑面，而可以主动接近物体、施力、稳定物体，并重新分配 contact。

论文把这个设计概括为： 不是继续增加更多 contact surfaces，而是让已有的 contact surfaces 变得更有用。

周于皓 举了两个例子。一个是防儿童开启瓶盖。人拧这种瓶盖时，往往需要一边向下按，一边旋转。如果机器人完全依赖手指完成这些动作，需要协调更多关节；而在 VTAP Gripper 上，active palm 可以负责向下按压，手指负责固定和旋转。

另一个是注射器。夹爪先用两根手指拿住并调整注射器，再直接利用 palm 按下推杆。手指与手掌分别承担任务，减少对复杂手指姿态的依赖。

他特别强调 ，「它不是说能解决新的问题，而是说利用一个 active palm 加上 perception，能够用简单的方式去解决一些问题。」

这也是 VTAP 最核心的设计判断：Dexterity 不一定只来自更多 DoF，也可以来自对现有身体结构更有效的利用。

一块手掌，两种模式

如果手掌要承担推压、稳定和持物，它就还需要提供操作中的反馈。

让手掌动起来只是第一步。 VTAP 的另一个核心，是让这块手掌同时成为 sensing surface。

团队在硅胶表面使用了一层半透明反射涂层，并通过内部 LED 控制其工作状态。

LED 关闭时，外部光线能够穿过涂层，内部 camera 可以观察手掌前方和手内物体，相当于一枚 in-hand camera。

打开内部光源后，光线从涂层反射回来，接触造成的表面形变则会被 camera 捕捉，系统转入 tactile sensing。

同一套 camera 和同一个 sensing surface，只需要一个电源开关，可以通过切换照明，在 vision 和 tactile 之间转换。

周于皓 在采访中进一步解释，视觉模式的可见范围与清晰度，可以通过视场以及表面涂层等参数调整；切换到触觉模式后，图像中的形变可以作为后续处理的输入，用于几何重建或力 估计等任务。

两种模式分别对应操作中的不同信息需求。视觉可以观察手指与物体的相对关系，触觉则记录实际接触表面的细节。

在自主插销入孔演示中，系统先用 vision 完成视觉粗定位，再切换 tactile mode 进行更精细的探索和几何估计。项目页报告称，该任务是在 1 毫米公差条件下完成插入的。

团队还展示了利用触觉反馈的自主抓取，以及通过遥操作完成的注射器手内调整、推杆按压和单体分离。单体分离指的是，从抓住的一组小物体中分离出一个物体。这些展示分别体现了感知反馈、机构能力和遥操作系统的作用，并非都由自主学习策略完成。

指尖触觉与手掌感知也承担着不同作用。三根手指上另外布置了柔性触觉阵列传感器。 周于皓 特别提到，手掌内的视觉能够观察手内操作时，指尖与物体发生接触的场景；当手掌也参与抓持或推压时，其触觉又可以提供额外输入。他希望这些模态最终能一起为操作策略服务。

在软糖熊、不规则物体等单体分离展示中，这种接触信息的变化尤其直观。多个物体同时接触手指时，信号比较复杂；分离完成后，留在手中的单个物体形成了更清晰的接触模式。

这些感知方式提供了理解两类问题的线索：物体在手里「在哪里」，以及手和物体之间「正在发生什么」。

五指人手如何控制三指夹爪 ？

不过，要让人控制这样的夹爪，还需要跨过另一道障碍。

人手有五根手指，VTAP 有三根；两者的关节排列、可达空间与基准坐标方向也不同。这些身体结构差异，使人手与夹爪之间的直接动作迁移变得困难。

如果直接把人的关节角度映射给机器人，很难适应这些几何和运动学差异。

因此，团队又设计了一套 retargeting framework。

第一步，根据操作者的手势，判断属于 cage、power、pinch 等哪一类功能性抓取类别，以缩小机器人可能采用的构型范围，减少相同人手动作对应多个机器人姿态时的歧义。

再引入一个中间坐标系，处理人手腕坐标系与夹爪坐标系之间的差别，尽量保持指尖相对位置和指尖朝向等与任务有关的几何关系，并加入平滑约束，使动作更加稳定。

周于皓解释 ，已有的五指映射多以腕部为坐标系，而三指夹爪工作在三维空间里，所以要重新定义坐标系。他关心指尖的位置关系，以及指尖相对于手部坐标系的距离和 方向；通过优化方法实时求解，输出夹爪的关节控制。他介绍，输入可以通过 Meta Quest 获得的人手骨架信息提供。

借助这套系统，操作者可以通过人手动作控制三指夹爪，并用于 demonstration collection。

同时，VTAP 本身又能同步记录 fingertip force、palm vision、palm tactile，以及机器人状态。

在 周于皓 看来，手内操作时指尖与物体的接触、物体形变，以及手掌参与操作产生的信息，都可能帮助模仿学习或强化学习。

这样来看，VTAP 不只是一只夹爪，也可能成为一套 contact-rich manipulation data collection platform。

他也直说了这套系统的局限： 基于硅胶的光学表面会磨损，一旦磨损，触觉和视觉信号都会受损。 他认为这是有待解决的工程问题，可能涉及材料，一旦解决，有机会落地到真实工业环境。

在 周于皓 看来，目前很多具身模型已经能够依赖外部相机较好地理解 scene，但需要触觉才能感知的精细信息，对应的数据仍然很少。

真正限制 tactile learning 继续扩大规模的因素之一，是过去缺少这样的 data，也缺少在这些数据基础上训练出的 foundation models。目前没有公认最好的触觉传感器，也没有像 ImageNet 那样的大规模数据集。至于不同机器人之间共享触觉数据，什么会成为「共同语言」，他坦承自己也没有答案。

目前团队更多是把 VTAP 看作一个硬件和数据平台。 周于皓 表示，他们希望接下来利用 full-hand、multimodal sensing 采集更多数据，并进一步研究这些模态该怎样融合、怎样真正进入 policy。

回到最初那个瓶盖，手掌动起来了，手上也有了更丰富的触觉，但拥有触觉，并不等于机器人已经学会用它。甚至，更多触觉也有可能让 policy 变得更差。

在 IROS 2026 现场，我们看到 Purdue MARS Lab 的另一项工作《CONTACT: CONtact-aware TACTile Learning for Robotic Disassembly》中，已经在追问：机器人已经能够「摸到」之后，到底什么样的触觉信息才真的有用？