制造、测试与质量
触觉送线的 93%：Touch2Trace 实际完成了多长的动作
摘要：评估机器人送线方案时，成功率后面的距离会改变判断。Touch2Trace 同一组测试在“至少前进 10 厘米”上报告 93%，在“至少前进 20 厘米”上是 57%。如果工序需要连续送出 20 厘米，采购或试验简报就应保留后一个指标，而不能只摘摘要里的 93%。[1]
这篇研读面向准备评估柔性线缆操作的自动化工程师，解释触觉反馈在实验中承担的功能，并给出把论文指标转换为本地试验要求的方法。它讨论实验室动作能力，没有线束成品良率或量产节拍的结论。
手指怎样继续沿线缆移动
Touch2Trace 使用固定安装的机械手，让线缆通过手指反复捏持、卷动而前进。压力阵列提供接触信息，关节位置描述手指状态；预训练且冻结的编码器提取触觉特征，带时间上下文的策略输出关节目标。主要实验不用视觉，也没有机械臂移动。论文中的 10.1 分钟指任务示教训练数据，不能把它当成整个系统从零开发所需的数据或时间。[1]
功能关系可写为：
- 压力分布 + 关节位置
- 触觉特征与近期状态
- 关节目标
- 接触变化
- 下一次观察
这是方法关系示意，没有给出可直接接线的传感器接口。对集成人员而言，每个箭头都有一项需要核对的条件：观测是否同步、坐标与单位是否一致、动作能否在下一控制周期前到达，以及异常时怎样停止。换一个传感器后，即使仍输出一张压力图，也没有自动获得原模型适用性的证据。
读表时保留阈值和试验单位
论文表 1 的同频率比较使用以太网线、直线放置条件，比较仅关节位置与增加触觉的 TF-GMM 策略。每个条件写明 3 个随机种子、每种子 10 次 rollout；不到 5 秒的启动被排除，最长观察 30 秒。作者的距离结果按种子均值报告离散度。[1]
| 输入与判据 | 仅关节位置 | 增加触觉 |
|---|---|---|
| 平均前进距离 | 0.2 cm | 20.1 cm |
| 至少前进 10 cm | 0% | 93% |
| 至少前进 20 cm | 0% | 57% |
来源：[1] 表 1；两列均为 60 Hz 的 TF-GMM 条件。这组对照支持“在该设置下，触觉输入改善送线动作”的判断。它没有把传感器品牌、所有控制算法或所有线缆放在同一条件下比较。
从 10 cm 改成 20 cm，任务门槛提高；不能把两个成功率相减后称为“掉线率”，因为终止还有到达线端和超时等条件。[1] 表内比例经过报告处理，原始逐次记录未在本次复核中取得，本文不将 93% 反推为一个精确的整数分子。
用工序需求组织一次本地验证
下面是本篇提出的评估方法，不是论文已经完成的实验。
先把需要验证的动作写成一句可以判定的要求。例如：“在指定起始姿态下，使指定线缆向目标方向前进至少 200 mm；超过规定时间或出现护套损伤即记为未完成。”这里的距离、时间和损伤条件由实际工序确定，不沿用演示中最好看的阈值。
随后区分三个层次，避免用动作片段替代工序结果：
| 评估层次 | 需要记录什么 | 它回答的问题 |
|---|---|---|
| 接触与运动 | 启动、前进距离、滑脱、异常停止；保留所有启动尝试 | 手指能否持续控制这根线 |
| 独立作业 | 上料、定位、送线、交接和恢复各阶段是否完成及耗时 | 一个完整循环需要怎样的配合 |
| 试件状态 | 处理前后的外观与适用于该组件的性能检查 | 动作完成后组件是否仍符合自己的要求 |
假设本地测试有 40 次启动，8 次未建立抓取，余下 32 次中有 24 次达到工序要求。完整启动口径是 24/40 = 60%；只看建立抓取后的动作口径是 24/32 = 75%。两者都可以报告，但对应的问题不同。这个算例为教学构造，与 Touch2Trace 的逐次试验无关。
对于可能接触其他线材的方案，保留线缆外径、护套材料、弯曲与端部约束、传感器单元、控制设置和训练/未训练身份。一次只改变可解释的一组条件，分别记录结果；把几个难度不同的线材混成一个平均成功率，会让故障恢复和选型判断失去方向。
从论文到试验台还缺什么
本次核对的是 2026-09-14 的 arXiv v1。论文自述获 CoRL 2026 接收；本文没有据此声称已独立核对会议录用记录。作者明确限制了固定机械手、受限动作空间与线材覆盖等实验范围。[1]
对准备搭建试验的人，先落实原始传感器或替代器件的接口资料、可取得的编码器/策略权重、示教和同步方法、原始评估记录，以及硬件允许的接触条件。本次未核验完整可下载复现包，也没有取得采购报价或器件交期，因此不能给出“照着即可复现”的材料清单或工期。
一项可执行的下一步，是用已有安全试验装置记录本工序的完整启动次数与各阶段结果，明确最先需要改善的是抓取建立、持续送线还是交接。只有目标和基线明确后，再决定是否值得获取触觉硬件与实现材料。论文中的受控对照提供了技术方向，本地结果决定它是否适合自己的工序。
可继续阅读本栏已有的机器人线束插装研读，比较“送线片段”和“连接器插合”各自的完成判据。公开实现、独立复现或加入机械臂后的完整循环证据出现时，值得重新审视本文的迁移判断。
原始来源
[1] Grimaldi 等：Touch2Trace: Tactile-Driven Imitation Learning for Dexterous Cable Tracing，arXiv:2609.15921v1，2026-09-14，重点核对第 3–5、7 节及表 1；读取于 2026-10-13。本文没有运行作者系统，器件、算法与结果属于作者报告。
本文由 AI 辅助研究与整理。流程示意、40 次启动算例和本地评估建议为研究整理，不是 MTTJ 实测或论文新增结果。