RATE：接触密集机器人操作的风险感知触觉编码

触觉感知对接触密集的机器人操作特别有价值。近期工作在面向机器人操作的触觉表示学习上进展显著，但相似的触觉观测可能来自任务风险含义截然不同的交互条件——如传感器噪声、任务必要的变体与正在出现的不良接触。缺乏基于语境的风险信息时，这些情形对下游策略是含糊的：导致对良性变体的不必要纠正或对真正危险接触的延迟响应。为解决该限制，我们提出风险感知触觉编码（RATE），学习编码任务条件交互风险的触觉表示：历史条件预测捕捉交互上下文，警报监督把该上下文与任务条件风险关联；学到的风险感知表示经轻量残差适配器补充常规触觉特征。仿真与真实世界实验均展示任务成功的大幅提升，受控消融确认警报引导学习与预测时序建模的互补收益。