人形机器人抓东西难，难的不是伸手，而是不知道自己抓得够不够紧。抓轻了，物体滑落，抓重了，柔软物体变形甚至损坏。人类抓取时，手指皮肤能感知压力和滑动，大脑据此不断微调握力，整个过程几乎不需要思考。机器人要复现这种能力，需要一条完整的触觉反馈闭环，从传感器信号采集开始，经过信号处理和状态估计，最终落到抓握力的实时调节上。闭环里任何一环延迟过高或者噪声过大，抓取都会变得迟钝或者抖动。

信号采集是闭环的起点。触觉传感器通常布置在指尖和指腹，测量接触力、压力分布和滑动趋势。不同原理的传感器各有取舍，有的擅长测静态压力，有的对动态滑动更敏感。工程上常见的做法，是把多种信号组合使用，静态压力用来判断是否已经接触，动态信号用来捕捉即将打滑的征兆。采样频率和同步性同样重要，触觉信号要和关节角度、电机电流等本体信号对齐时间戳，否则控制器拿到的就是错位的信息，调节动作也会跟着错位。

原始信号不能直接喂给控制器，必须先经过处理。触觉信号里混杂着电机振动、线缆抖动和接触冲击带来的噪声，直接使用会导致握力频繁跳变。常用的处理手段包括滤波、基线校准和特征提取。滤波去掉高频噪声，基线校准消除传感器长期漂移，特征提取则把原始波形转化成控制器能理解的量，例如接触力大小、压力中心位置和滑动速度。特征设计要贴合任务，抓取光滑物体时滑动特征更重要，抓取柔软物体时压力分布特征更重要，不能用同一套特征应对所有物体。

状态估计是把信号翻译成抓取状态的关键一步。控制器需要知道的不是某个传感器的原始读数，而是当前抓取处于什么状态，是尚未接触、已经稳定接触，还是正在打滑。状态估计通常结合触觉特征和运动学信息，例如手指闭合角度和接触力的变化趋势，来判断物体是否已经被稳稳握住。打滑检测尤其讲究时效，打滑一旦发生，留给控制器纠正的时间窗口非常短，检测延迟几个控制周期，物体可能已经脱手。因此打滑检测往往走快速通道，绕过复杂的推理环节，直接触发握力补偿。

握力调节本身是一个控制问题，不是简单的力越大越好。目标是找到一个刚好足够的握力区间，下限保证物体不滑落，上限保证物体不损坏。控制器通常采用分层结构，底层是高频的力矩或者电流闭环，保证执行器快速响应，上层是基于触觉状态的握力策略，根据接触状态和打滑风险动态调整目标握力。调节过程要平滑，避免握力突变导致物体姿态变化或者二次打滑。调节参数也需要按物体特性分组，刚性物体和柔性物体的增益不能共用一套，否则不是抓不住就是抓坏了。

闭环的性能最终要回到任务里验证。实验室里用标准测试块测得再好，换到真实物体上也可能失效，因为真实物体的表面摩擦、重量分布和形状差异都很大。验证时应该覆盖不同材质、不同重量和不同形状的物体组合，记录抓取成功率、物体损伤率和调节收敛时间。失败案例尤其有价值，要区分是传感器没测到、状态估计判断错了，还是控制器调节慢了，三类失败的改进方向完全不同。把触觉闭环当成一个可以拆解、可以度量的系统，而不是一个玄学参数，机器人的抓取能力才能稳定地从演示走向实用。