TACTIC：不用"手"用"整条胳膊"去接触——把全臂触觉+视觉喂给一个会预测接触的 MPC¶

📅 2026-07 · 🏛 Cornell EMPRISE（Bhattacharjee 看护机器人组）× CMU × Toyota Research · 🏷 接触中心控制（非 VLA，模型式 MPC） 📌 一句话省流：让机器人用整条手臂表面（前臂+上臂，不只末端）去撑、扶、导、搬物体，把力分散到大面积上更安全。做法=一个接触中心的混合预测模型（RGB-D + 全臂分布式触觉 + 2D 邻近表示 → 预测"未来接触怎么形成/滑动/断开 + 交互力"），塞进采样式 MPC(MPPI) 规划,在"任务推进"和"全臂力调节"之间权衡。真机演示在看护场景：给真人大小的护理假人翻身、搬腿。 ≈ 打比方：别的策略盯着"手指尖碰哪"；TACTIC 让机器人像护工一样用小臂大臂兜住病人——接触是全臂分布的，控制目标是"稳稳托住、别硌着"。 🎬 演示 & 项目页：https://emprise.cs.cornell.edu/tactic 🔬 全文精读（消融+仿真对比明细）：待做 → 详读-TACTIC（本卡先据全摘要+项目页）

🧰 对我们（可用性速判）¶

对我们的用处：中，且是"另一条路"的参照。① 硬件：给了一个全臂分布式触觉皮肤的现实样板（Kinova Gen3 上贴 22 个力 taxel、压阻式 WiFi、~800Hz、无线缆）——我们触觉多聚焦指尖/手，全臂皮肤是新维度。② 范式对照：它是模型式 MPC + 接触预测，不是学习式 VLA——正好和我们主线(触觉×VLA)形成"model-based vs learned"对照，接触密集/安全敏感场景下模型式的物理一致性是其卖点。③ 新场景：物理看护（翻身/搬腿）——我们库此前少涉的应用域（据现检索）。
真实性(前期)：Cornell EMPRISE + TRI，项目页标 RSS 2026 接收（🔶 项目页转述、未独立复核；若属实=顶会同行评议背书）→ 方法可信度较高;真机成功率中等且如实(见下)。
训练/微调资源：轻——不是大数据 VLA。学习部分只是潜动力学预测器(ViT)+DINOv3 骨干,靠遥操作演示,无需海量数据/工业算力。
能借多少(开源)：🟡 未落地——项目页称放硬件+码，但未见实际 repo 链接（2026-07-16 核，GitHub 亦搜不到）；硬件方案(22 taxel 全臂皮肤)可照着自造,代码待放。
可用性结论：思路/硬件借鉴为主——全臂触觉皮肤 + 接触中心预测是可迁移的点;整套 MPC 栈非我们主线,不直接纳入。

亮点¶

"接触中心"状态表示：不把接触当噪声，而是显式建模——RGB-D + 分布式触觉力向量 + 2D 邻近表示(机器人-物体距离)，经 DINOv3 骨干融合成接触中心状态。
混合预测模型（物理一致性是关键）：解析运动学分支(保证物理一致,抗分布漂移) + 学习的动作条件潜动力学(ViT 预测器,预测接触/力演化),两者用接触雅可比耦合 → 能 rollout"未来多连杆接触构型 + 交互力"。直击纯学习 rollout 在稀疏多接触构型下"物理不一致"的痛点。
接触感知的动作采样：用接触雅可比投影，把采样动作序列偏向"能调节力"的方向，按实测接触力加权 → MPPI 采样更高效。
全臂 = 更安全：力分散到大面积，适合受限空间与"抱人/托举"这类安全敏感操作。

🧬 与其他工作的关系¶

区别于我们主线的 VLA：这不是 VLA/扩散/flow 学习策略，而是 receding-horizon MPC；学习只用在"潜动力学预测"这一小块。与卡片-FoAR（力自适应控制）、卡片-ReactiveDiffusionPolicy（反应式）同属 kb/3 控制族，但更偏"模型+规划"。
预测模型的世界模型味：其"预测未来接触/力演化"与卡片-OmniVTA、卡片-VT-WM 的视触觉世界模型思路相邻，但目的是给 MPC 供 rollout，不是当生成式策略。
硬件同族：全臂分布式触觉皮肤，与卡片-ReSkin（分布式磁触觉）同属"给大面积贴触觉"路线，但 TACTIC 用压阻式 + 无线、覆盖整条臂。
DINOv3 巧合：视觉骨干用 DINOv3，与卡片-EgoSteer 的世界模型冻结教师同款——DINOv3 在具身接触/世界模型里正被反复用作骨干。

关键数字（每条带来源）¶

硬件：Kinova Gen3 7-DoF 臂 + 22 个分布式力 taxel（沿臂连杆，前臂+上臂），压阻式、WiFi、~800Hz/板、无线缆；头顶 RGB-D 相机；镜像 Kinova leader-arm 遥操作采演示 [2]。
真机 3 任务成功率（项目页🔶，未与正文交叉核）[2]：
3D 动态迷宫到达：3/5
护理假人侧翻（带力调节）：12/20
假人肢体重定位（搬腿到目标位）：14/20
假人：真人大小护理训练假人 ~46 lb（护士教学用）；场景=物理看护（翻身/搬洗）[2]。
主要定量优势在仿真：摘要称"在仿真里对比 SOTA 模型式/无模型方法 + 消融，一致胜出"；真机是能力演示，成功率中等（口径见上）[1]。
⚠️ 未获取：仿真具体分数、各消融数值、逐任务基线对比——待精读。

🔎 证据与可信度¶

论文：arXiv 2607.09218（v1 2026-07-10 / v2 2026-07-13，cs.RO）。作者 Rishabh Madan、Tapomayukh Bhattacharjee（Cornell EMPRISE）等 + Angchen Xie(CMU) + Mark Zolotas、Jose Barreiros(Toyota Research Institute）。项目页标 RSS 2026 接收（🔶 未独立复核）。摘要全文已读;正文方法/实验未逐节精读。作者归属(Cornell EMPRISE / CMU / TRI)据项目页 WebFetch,精确到人的院校划分🔶。
代码/数据：🟡 未见公开链接（项目页有此承诺措辞但无实际 repo；2026-07-16 核）。
第三方复现：暂无（RSS 同行评议提供背书）。
证据等级：C（摘要+项目页一手核实为主，真机数字取自项目页🔶、仿真明细/消融未核、开源未落地）→ 权重：中（顶会 + 全臂触觉硬件参照价值,但非主线且未开源）。

🧱 局限（🟡 未读 Limitations 节，据核心内容推断）¶

真机成功率中等（3/5、12/20、14/20）——全臂多接触 + 重载假人本就极难，属"能做到"而非"高可靠";主战力证据在仿真。
非学习式大模型路线：靠精心设计的接触模型 + MPC，泛化到全新物体/场景的能力,不如大数据 VLA(但换来物理一致性与可解释力控)。
硬件依赖：需在臂上贴全臂 taxel 皮肤 + 头顶 RGB-D + 遥操作 leader-arm,复现有工程量;码未放更增门槛。
依赖 2D 邻近表示,重遮挡下接触仍部分可观——作者明确点名为难点。

💡 我的批注 / 判断¶

值得记的是"接触中心 + 物理一致混合模型"这个思路：把解析运动学(硬约束)和学习潜动力学(软预测)用接触雅可比缝起来,专治"纯学习 rollout 在稀疏多接触下物理崩坏"——这个诊断对我们做触觉世界模型/策略有借鉴:贵的物理先验别全交给数据学。
全臂触觉是我们视野盲区的补充:主线聚焦指尖/手内触觉,TACTIC 提醒"用整条臂做接触"在看护/协作/受限空间是真实且被顶会认可的方向;22-taxel 压阻无线皮肤是可照造的低成本样板。
和 VLA 主线的关系是"对照组"不是"竞品":接触密集 + 安全敏感(抱人)场景,模型式 MPC 的可控力调节有其不可替代性;可作为"何时该上 model-based 而非 learned"的论据卡。
待办:开源若落地则重估可用性(升到"硬件可复现");下全文补 详读-TACTIC,核仿真对比与消融、以及触觉皮肤的具体规格/成本。核前成功率保持🔶。

来源编号¶

[1] arXiv 2607.09218（v1 2026-07-10 / v2 2026-07-13，cs.RO，RSS 2026）。摘要全文一手核实;正文未逐节读。
[2] 项目页 Cornell EMPRISE / TACTIC（2026-07-16 一手）。硬件规格(Kinova Gen3 / 22 taxel / 800Hz / RGB-D / leader-arm 遥操作)、3 任务成功率(3/5、12/20、14/20)、看护场景与假人重量均据此🔶（未与论文正文交叉核）。

🔗 相关卡片
卡片-ReactiveDiffusionPolicy · 卡片-OmniVTA · 卡片-VT-WM · 卡片-FoAR · 卡片-EgoSteer · 卡片-ReSkin