UniTac: Bước tiến mới giúp robot sở hữu 'trí tưởng tượng xúc giác' cho mô hình VLA

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

2026-07-18 18:55:47 Nguồn: QbitAI

Được chọn vào ECCV 2026

henry đưa tin từ Aofei Temple

QbitAI | Tài khoản chính thức QbitAI

Robot cũng bắt đầu sở hữu "trí tưởng tượng xúc giác".

Trong năm qua, cùng với sự phát triển nhanh chóng của các mô hình nền tảng hiện thân (embodied foundation models), robot đã có thể hoàn thành nhiều nhiệm vụ thao tác với đường nét rõ ràng và vị trí xác định.

Tuy nhiên, một khi liên quan đến các vật thể mềm, vật thể dễ vỡ hoặc các thao tác tiếp xúc dày đặc, robot thường rơi vào tình trạng "lực bất tòng tâm".

Dù là cầm một quả nho mà không làm nó dập nát, hay nắm một chiếc cốc giấy mà không làm nó biến dạng, thị giác chỉ có thể giúp robot tìm thấy mục tiêu. Để hoàn thành nhiệm vụ, robot còn cần đến cảm giác xúc giác – yếu tố không thể thiếu khi con người tương tác với vật thể.

Chính vì vậy, ngày càng có nhiều nhóm nghiên cứu bắt đầu coi xúc giác là một phương thức (modality) quan trọng để xây dựng bộ não cho robot. Ví dụ, UniTouch và AnyTouch cố gắng thống nhất các biểu diễn xúc giác từ những cảm biến khác nhau; FuSe và Tactile-VLA đưa xúc giác vào các mô hình chiến lược tổng quát và VLA; gần đây, TacImag bắt đầu khám phá việc cho phép robot "tưởng tượng" xúc giác chỉ dựa vào thị giác và cảm giác bản thể (proprioception); NVIDIA cũng đã ra mắt các công cụ mô phỏng thị giác-xúc giác như TacSL để đẩy nhanh quá trình chuyển đổi chiến lược xúc giác từ mô phỏng sang thực tế.

Tuy nhiên, các lộ trình này vẫn có những giới hạn riêng: sự không đồng nhất của cảm biến khiến dữ liệu khó tương thông, còn việc hiểu, tạo và ứng dụng xúc giác vào hành động thường bị phân tán trong các mô hình khác nhau.

Gần đây, UniX AI phối hợp cùng Đại học Chiết Giang, MIT, Oxford, Yale và Đại học Giao thông Thượng Hải đã công bố thành tựu nghiên cứu mới nhất mang tên UniTac. Họ đề xuất một kiến trúc thống nhất cho việc hiểu và tạo xúc giác xuyên cảm biến, đồng thời tích hợp vào VLA, giúp robot bù đắp "trí tưởng tượng xúc giác".

(Công trình này đã được ECCV 2026 chấp nhận)

Nói một cách đơn giản, UniTac mang lại cho robot khả năng "cảm nhận trước khi chạm". Nó cho phép robot giống như con người, trước khi thực sự chạm vào vật thể, có thể "tưởng tượng" cảm giác khi chạm vào nó là như thế nào, từ đó quyết định cách thức thực hiện.

Ví dụ, khi đối mặt với một chiếc cốc mềm, robot sẽ dự đoán sự biến dạng của nó dưới tác động của lực, sau đó mới quyết định điểm tiếp xúc và lực tác động phù hợp.

Để so sánh, nếu không có UniTac, VLA sẽ làm bẹp chiếc cốc giấy.

Điều này có nghĩa là, đối với robot, xúc giác lần đầu tiên chuyển từ trạng thái "chỉ biết sau khi chạm" sang "có thể dự đoán trước khi chạm".

Đằng sau điều này cũng tương ứng với một năng lực quan trọng mà trí tuệ hiện thân (embodied AI) đang dần hoàn thiện: xúc giác.

Tại sao robot cần học cách "cảm nhận trước khi chạm"?

Nếu coi sự phát triển của các mô hình nền tảng robot trong vài năm qua là quá trình liên tục neo giữ (grounding) AI vào thế giới thực, thì chúng ta có thể chia nó thành ba tầng.

VLM (Mô hình Thị giác-Ngôn ngữ) hoàn thành tầng grounding thứ nhất: tương ứng các khái niệm ngôn ngữ trừu tượng với thế giới thực, giúp robot biết được những gì nó đang nhìn thấy.

VLA (Mô hình Thị giác-Ngôn ngữ-Hành động) tiến thêm một bước, neo giữ ngữ nghĩa thị giác và chỉ dẫn ngôn ngữ vào hành động (quỹ đạo), giúp robot biết nên lập kế hoạch quỹ đạo như thế nào trong các tình huống nhiệm vụ.

Nhưng khi hành động thực sự được triển khai trong thế giới vật lý, thường vẫn còn thiếu tầng grounding thứ ba—

Robot phải biết cách hoàn thành quá trình tiếp xúc này.

Bởi vì đối với robot, "nắm" chỉ là một nhãn hành động, nhưng mỗi lần tiếp xúc trong thực tế lại hoàn toàn khác nhau.

Khi nhặt một chiếc khăn, cần phải đánh giá vị trí nào dễ nắm hơn; chất liệu, kích thước, hình dạng và độ nhám bề mặt của khăn đều có thể khiến robot nắm sai hoặc thất bại.

Ví dụ, khi chưa tích hợp UniTac, VLA không thể nhặt được chiếc khăn màu cam như hình dưới đây.

Nói cách khác, yếu tố thực sự quyết định sự thành công trong thao tác của robot không chỉ là quỹ đạo, mà chính là bản thân quá trình tiếp xúc. Đây cũng chính là điểm yếu của các mô hình VLA hiện nay khi đối mặt với vật thể mềm, vật thể dễ vỡ và các nhiệm vụ đòi hỏi tiếp xúc dày đặc:

Việc tạo hành động thiếu sự dự đoán và thấu hiểu về quá trình tiếp xúc.

Nếu hoàn toàn phụ thuộc vào thị giác, robot rất dễ áp dụng cùng một chiến lược thao tác cho các vật thể có vẻ ngoài giống nhau. Hơn nữa, nếu đợi đến khi tiếp xúc xảy ra mới điều chỉnh dựa trên phản hồi xúc giác, thì chiếc cốc giấy có thể đã bẹp, và miếng khoai tây chiên có thể đã vỡ vụn.

Vì vậy, nếu robot có thể biết trước trạng thái xúc giác trong tương lai trước khi thực sự chạm vào, thì lần tiếp xúc đầu tiên sẽ trở nên an toàn hơn nhiều.

Để đạt được điều này, UniTac bắt đầu bằng việc học các biểu diễn xúc giác thống nhất từ dữ liệu quy mô lớn, đa cảm biến, sau đó dự đoán trạng thái xúc giác tiềm năng dựa trên thông tin thị giác, chuyển xúc giác từ "phản hồi sau khi chạm" thành "tiền đề trước khi chạm" và đưa vào VLA.

Đáng chú ý là điều này không thay thế phản hồi thời gian thực sau khi chạm, mà là giúp robot dự đoán trước các hậu quả vật lý có thể xảy ra trước khi thực hiện thao tác đầu tiên.

Ví dụ, khi đối mặt với hai chiếc khăn trông có vẻ giống nhau, mô hình nền tảng dựa trên UniTac có thể dự đoán trước chất liệu và màu sắc của khăn, từ đó lập kế hoạch và hoàn thành thao tác nhặt một lớp khăn.

Tiếp theo, chúng ta hãy xem xét cụ thể cách UniTac thực hiện điều đó.