BIDETA：针对看不见的传感器的受大脑启发的数据高效触觉适应

基于视觉的触觉传感器为机器人感知和丰富的接触操作提供高分辨率的接触信息，通过更可靠的物理交互推进体现智能。然而，设备特定的传感机制会导致触觉基础模型在不熟悉的硬件上性能下降。现有的跨传感器方法通常需要校准数据、配对观察或迭代训练。为了解决这个问题，我们提出了脑启发数据高效触觉适应（BIDETA），这是一种无梯度框架，它使用冻结触觉编码器和一些标记的目标接触来联合预测未标记查询批次的标签。受大脑快速感觉适应的启发，BIDETA 结合了快速支持记忆、支持条件谱图和可靠性门控循环，以保留预训练的表示、修复依赖于传感器的特征邻域并集成可靠的交叉查询证据。 SITR、TacVerse Shape 和 TacQuad 上的实验表明，BIDETA 显着提高了对未知传感器的适应能力：仅在 SITR 上标记了 10% 的目标数据的情况下，它就将冻结源分类器的平均 Sparsh 准确度从 6.86% 提高到 87.09%，比之前实现的最强比较高出 47.22 个百分点，并且这些收益可推广到数据集、预训练骨干网和触觉任务。在采用 TVL 的 SITR 计时基准中，BIDETA 的目标传感器适应速度也比最佳基准快约 20 倍。因此，BIDETA 提供了一种在新硬件上部署触觉模型的无梯度、数据高效的途径。