High-resolution tactile observation makes hidden racket-control mechanisms learnable
作者: Haoyang Tian, Zhengwei Li, Houcheng Li, Xu Yang, Peigeng Gu, Xinyue Wang, Tairan Zhu, Shuo Jiang, Long Cheng
分类: cs.LG, cs.HC, cs.RO, eess.SP
发布日期: 2026-10-26
备注: 58 pages, including 14 pages of main text and 44 pages of supplementary information. 5 main figures and 19 supplementary figures
💡 一句话要点
提出高分辨率触觉观察以揭示羽毛球拍控制机制
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱八：物理动画 (Physics-based Animation)
关键词: 触觉感知 运动控制 个性化指导 技能提升 羽毛球拍控制 传感器技术 机器人控制
📋 核心要点
- 现有方法在快速触觉交互中缺乏有效的意识感知，导致难以理解羽毛球拍控制的潜在机制。
- 提出了一种基于触觉历史的双层框架，能够推断出物体驱动和握持稳定控制，解决了时空力实现问题。
- 实验结果显示，机制指导的学习者在技能水平上提升了0.72，而仅依赖水平反馈的学习者仅提升0.05，表明控制机制的可操作性。
📝 摘要（中文）
专家能够掌握精细的手物体操作技能，但快速触觉交互的有限意识感知阻碍了他们阐述潜在控制机制的能力。羽毛球拍控制需要快速、精细的手部力量协调，为揭示这些机制提供了严苛的测试平台。研究使用了一种864节点的触觉惯性手套，记录了来自70多名参与者的14000多次击球数据。基于传感器运动控制的灵感，提出了一个机械基础的双层框架，从触觉历史中推断出物体驱动和握持稳定控制，并解决其时空力实现。研究发现，高水平的技能与选择性控制相关，而非广泛控制，表现为更高的技能特异性、预期调节、聚焦的远端调节和较低的几何扭矩抵消。通过个性化指导将这些机制转化为针对力量控制和力量-运动协调的应用。
🔬 方法详解
问题定义：本研究旨在解决快速触觉交互中对羽毛球拍控制机制的理解不足，现有方法未能有效捕捉和解析这些机制的细节。
核心思路：通过使用高分辨率的触觉惯性手套，记录大量击球数据，并基于传感器运动控制原理，构建双层框架来推断控制机制。
技术框架：整体架构包括数据采集模块（触觉惯性手套）、数据处理模块（双层框架推断控制机制）、以及反馈模块（个性化指导）。
关键创新：最重要的创新在于通过触觉历史推断出物体驱动和握持稳定控制，解决了传统方法无法有效捕捉的时空力实现问题。
关键设计：在参数设置上，手套的节点数量达到864，采样频率为100Hz，损失函数设计为优化控制机制的推断精度，网络结构采用双层框架以增强对时空特征的捕捉能力。
🖼️ 关键图片
📊 实验亮点
实验结果显示，机制指导的学习者在技能水平上提升了0.72个专家评定的技能等级，而仅依赖水平反馈的学习者提升幅度仅为0.05，表明机制指导在技能提升中的显著效果。
🎯 应用场景
该研究的潜在应用领域包括运动训练、机器人控制和人机交互等。通过揭示控制机制，能够为运动员提供个性化的训练指导，提高运动表现，同时也为机器人在复杂环境中的操作提供理论支持。
📄 摘要（原文）
Experts can master fine hand-object manipulation skills, yet limited conscious perception of rapid tactile interactions hinders their ability to articulate the underlying control mechanisms. Badminton racket control requires rapid, fine hand-force coordination, providing a demanding testbed for uncovering these mechanisms. An 864-node tactile-inertial glove with synchronized 100-Hz acquisition recorded over 14,000 strokes from more than 70 participants across five skills. Inspired by sensorimotor control, our mechanics-grounded two-layer framework inferred object-driving and grip-stabilizing control from tactile history, while resolving their spatiotemporal force realization. We found that higher proficiency was associated with selective rather than extensive control: greater skill specificity, anticipatory regulation, focal distal modulation and lower geometric torque cancellation, while spatiotemporal coordination showed a non-monotonic acquire-refine pattern. We translated these mechanisms into personalized guidance targeting force control and force-motion coordination. In a randomized cohort, mechanism-guided learners gained 0.72 expert-rated skill levels versus 0.05 with level-only feedback, making control mechanisms actionable.