Sau thị giác máy tính là “xúc giác máy tính”: Robot tương lai sẽ nhìn thế giới bằng cả đầu ngón tay

Trong nhiều năm, thị giác máy tính là một trong những năng lực quan trọng nhất giúp robot bước ra khỏi những dây chuyền được lập trình cứng. Camera kết hợp với AI cho phép máy nhận diện vật thể, ước lượng khoảng cách, theo dõi chuyển động và hiểu tương đối tốt những gì đang diễn ra trước mắt.

Nhưng có một giới hạn rất rõ: nhìn thấy một vật không đồng nghĩa với biết đang chạm vào nó như thế nào. Camera có thể cho robot biết một chiếc cốc nằm ở đâu, nhưng khó cho biết chính xác chiếc cốc đang trượt giữa hai ngón tay, lực bóp đã quá mạnh hay chưa, bề mặt là nhựa hay giấy, hoặc một chi tiết cơ khí đã thực sự khớp vào vị trí hay chỉ trông có vẻ đúng.

Đó là lý do cảm biến xúc giác đang trở thành một mảnh ghép ngày càng quan trọng của robot hiện đại. Nếu thị giác máy tính giúp máy “nhìn”, thì có thể hình dung một lớp công nghệ kế tiếp như “xúc giác máy tính”: biến áp lực, rung động, ma sát, độ trượt, nhiệt độ và biến dạng tại điểm tiếp xúc thành dữ liệu mà AI có thể hiểu và dùng để điều khiển hành động.

“Xúc giác máy tính” chưa phải là một thuật ngữ học thuật chuẩn hóa theo cách “computer vision” đã trở thành tên của một lĩnh vực. Trong nghiên cứu, các khái niệm phổ biến hơn là tactile sensing, robotic tactile perception, haptic perception hay cảm nhận xúc giác đa phương thức. Tuy vậy, phép so sánh này mô tả khá chính xác hướng phát triển đang diễn ra: robot tương lai không chỉ quan sát thế giới từ xa mà còn phải hiểu thế giới ngay tại nơi ngón tay, lòng bàn tay và bề mặt cơ thể tiếp xúc với vật thể.

Vì sao camera giỏi đến đâu vẫn chưa đủ?

Con người hiếm khi dùng riêng thị giác khi thao tác với đồ vật. Khi cầm một chiếc cốc, chúng ta gần như vô thức điều chỉnh lực siết dựa trên cảm giác ở đầu ngón tay. Nếu vật bắt đầu trượt, da và hệ thần kinh phát hiện thay đổi rất nhỏ trước khi chiếc cốc rơi. Khi cắm chìa khóa, lắp một đầu nối hay xoay nắp chai, nhiều thông tin quan trọng xuất hiện sau khi tiếp xúc – thời điểm camera có thể bị bàn tay che khuất hoặc không thể nhìn thấy bên trong điểm ghép nối.

Đối với robot, vấn đề còn rõ hơn. Thị giác rất hữu ích để xác định “vật ở đâu” và “nó có hình dạng gì”, nhưng các trạng thái như lực tiếp xúc, ma sát, độ ổn định của điểm nắm và hiện tượng trượt thường không thể suy ra đáng tin cậy chỉ từ hình ảnh. Trong các nhiệm vụ chính xác, vài milimet cuối cùng có thể quan trọng hơn cả quãng đường cánh tay robot vừa di chuyển.

Một ví dụ đơn giản là nhặt cốc giấy có chứa nước. Bóp nhẹ quá, cốc có thể trượt; bóp mạnh quá, cốc có thể biến dạng. Một hệ thống chỉ dựa vào camera phải ước lượng gián tiếp điều đang xảy ra. Một robot có xúc giác lại nhận được phản hồi ngay tại bề mặt tiếp xúc và có thể thay đổi lực theo thời gian thực.

Đầu ngón tay robot có thể chứa một “camera” nhìn vào bên trong

Một trong những hướng cảm biến xúc giác thú vị nhất hiện nay là vision-based tactile sensing – cảm biến xúc giác dựa trên thị giác. Nghe có vẻ nghịch lý: tại sao đã nói về xúc giác lại dùng camera?

Điểm khác biệt nằm ở hướng quan sát. Camera không nhìn ra môi trường như mắt robot, mà được đặt bên trong đầu ngón tay, hướng vào một lớp vật liệu mềm. Khi ngón tay chạm vật thể, lớp đàn hồi biến dạng. Camera ghi lại sự thay đổi hình học, ánh sáng hoặc các dấu mốc trên bề mặt, sau đó thuật toán tái dựng vùng tiếp xúc và suy ra những thông tin như vị trí chạm, hình dạng cục bộ hay lực tác động.

F-TAC Hand, một bàn tay robot được công bố trên Nature Machine Intelligence năm 2025, là ví dụ đáng chú ý. Hệ thống tích hợp 17 cảm biến xúc giác dựa trên thị giác trong một bàn tay 15 bậc tự do. Các vùng cảm nhận phủ khoảng 70% bề mặt phía lòng bàn tay, với độ phân giải không gian được báo cáo ở mức 0,1 mm, tương đương mật độ khoảng 10.000 phần tử cảm nhận trên mỗi cm². Nhóm nghiên cứu còn cho thấy bàn tay có thể thực hiện đầy đủ 33 kiểu cầm nắm trong bộ phân loại được sử dụng để đánh giá.

Ý nghĩa của hướng tiếp cận này không chỉ nằm ở việc tạo ra “da có nhiều pixel”. Khi phần lớn bàn tay đều có thể cảm nhận, robot có thêm dữ liệu để biết vật đang tựa lên đốt ngón nào, đang xoay theo hướng nào hay điểm tiếp xúc nào sắp mất ổn định. Đó là loại thông tin rất khó có được nếu chỉ đặt một cảm biến lực ở cổ tay hoặc vài điểm đo ở đầu ngón.

Xúc giác của robot không chỉ là áp suất

Da người không phải một chiếc cân đo lực đơn giản. Khi chạm vào vật thể, chúng ta đồng thời nhận được nhiều tín hiệu: áp suất, rung động, nhiệt độ, độ nhám, chuyển động tương đối và các dấu hiệu cho biết vật đang trượt.

Các hệ cảm biến robot cũng đang tiến dần theo hướng đa phương thức. Một nghiên cứu trên Nature Communications đã trình diễn cảm biến mềm có thể thu nhận áp suất, nhiệt độ, đặc tính truyền nhiệt của vật liệu, kết cấu và độ trượt. Trong thử nghiệm của nhóm, hệ thống phát hiện chuyển động trượt ở tốc độ rất nhỏ và phản hồi trong thời gian vài mili giây, sau đó kết hợp xúc giác với thị giác để thực hiện các nhiệm vụ như cầm cốc giấy chứa chất lỏng và dọn đồ vật trên bàn.

Ở một hướng khác, các cảm biến điện dung, áp điện, áp trở, ma sát điện và cảm biến nhiệt được dùng để biến biến dạng cơ học hoặc thay đổi môi trường thành tín hiệu điện. Năm 2026, một nghiên cứu về cảm biến HexaTouch còn đưa việc đo lực đa chiều và định vị điểm chạm vào một thiết bị cỡ đầu ngón tay khoảng 15 × 15 × 8 mm bằng kiến trúc kết hợp cảm biến biến dạng và điện dung.

Điều này gợi ra một tương lai trong đó mỗi đầu ngón tay robot không chỉ trả lời câu hỏi “đã chạm hay chưa”, mà có thể cung cấp cả một bản mô tả vật lý: chạm ở đâu, lực theo hướng nào, vật có đang trượt không, bề mặt có mềm hay cứng, thô hay trơn và tương tác đang ổn định đến mức nào.

Từ cảm biến đến AI: dữ liệu chạm cũng cần một “mô hình nền tảng”

Có cảm biến tốt mới chỉ giải quyết một nửa bài toán. Robot còn phải biến hàng loạt tín hiệu thô thành biểu diễn có ý nghĩa và dùng chúng để ra quyết định.

Đây là điểm khiến xúc giác bắt đầu đi theo con đường từng xảy ra với thị giác máy tính. Camera số đã tồn tại từ lâu, nhưng bước nhảy lớn chỉ xuất hiện khi dữ liệu hình ảnh quy mô lớn kết hợp với mô hình học máy đủ mạnh. Với xúc giác, ngành robot hiện cũng đang tìm cách xây dựng các biểu diễn chung có thể học từ nhiều loại tín hiệu và chuyển sang nhiều nhiệm vụ khác nhau.

Một ví dụ là Sparsh-X, nghiên cứu tiền xuất bản năm 2025 của các tác giả từ FAIR tại Meta, University of Washington và Carnegie Mellon University. Hệ thống học một biểu diễn xúc giác đa cảm biến từ khoảng một triệu tương tác có tiếp xúc thu bằng cảm biến Digit 360. Thay vì chỉ dùng “ảnh xúc giác”, mô hình hợp nhất bốn dòng dữ liệu gồm hình ảnh, âm thanh, chuyển động và áp suất.

Nhóm nghiên cứu báo cáo rằng biểu diễn này giúp cải thiện kết quả ở các bài toán như cắm chi tiết, xoay vật trong tay, nhận biết vật liệu, ước lượng lực và suy ra trạng thái vật thể. Điều đáng chú ý không phải một tỷ lệ riêng lẻ, mà là ý tưởng nền tảng: tín hiệu chạm có thể được tiền huấn luyện và tái sử dụng, tương tự cách mô hình thị giác học các đặc trưng tổng quát từ lượng lớn hình ảnh.

Robot không chỉ cần “biết mình đang chạm gì”, mà còn phải phản xạ

Xúc giác có một yêu cầu khác biệt so với nhiều tác vụ nhận thức cấp cao: phản hồi phải đủ nhanh. Nếu ngón tay phát hiện vật bắt đầu trượt nhưng phải chờ một mô hình lớn suy luận quá lâu, chiếc cốc có thể đã rơi xuống đất.

Vì vậy, kiến trúc robot tương lai có thể phải tách thành nhiều vòng điều khiển. Lớp thị giác – ngôn ngữ đảm nhiệm mục tiêu cấp cao như “lấy chiếc cốc màu đỏ trên bàn”. Một lớp điều khiển chuyển động đưa cánh tay tới gần. Khi tiếp xúc, vòng phản hồi xúc giác chạy nhanh hơn để tinh chỉnh vị trí ngón tay, lực kẹp và phản ứng trước trượt hoặc va chạm.

Một hướng nghiên cứu mới thể hiện rõ cách tiếp cận này là TouchWorld, bản tiền xuất bản trên arXiv vào tháng 7/2026. Hệ thống tách lập kế hoạch thị giác – ngôn ngữ, dự đoán trạng thái xúc giác, tạo hành động và hiệu chỉnh xúc giác tần số cao thành các tầng khác nhau. Trong sáu nhiệm vụ thao tác phức tạp, nhóm tác giả báo cáo mức thành công 65% ở điều kiện chuẩn và 53,7% khi có nhiễu do con người tác động, cao hơn mô hình đối chứng mạnh nhất trong thử nghiệm của họ.

Đây vẫn là kết quả tiền xuất bản và chưa nên xem như bằng chứng rằng một “mô hình xúc giác nền tảng” đã được giải quyết. Nhưng nó cho thấy một thay đổi quan trọng trong cách thiết kế AI cho robot: xúc giác không còn chỉ là một cảm biến phụ thêm vào cuối hệ thống, mà có thể trở thành một vòng phản hồi riêng, vừa dự đoán vừa phản ứng với tiếp xúc.

Khi thị giác và xúc giác ghép lại, robot mới thực sự hiểu tương tác vật lý

Thị giác và xúc giác không cạnh tranh để thay thế nhau. Chúng bổ sung cho nhau ở những khoảng cách và loại thông tin khác nhau.

• Thị giác mạnh ở quan sát từ xa, nhận dạng đối tượng, hình học tổng thể và lập kế hoạch đường đi.
• Xúc giác mạnh ở vùng tiếp xúc, nơi cần biết lực, trượt, ma sát, độ mềm, hình học cục bộ và trạng thái lắp ghép.
• Cảm nhận bản thể cho robot biết các khớp và cơ cấu của chính nó đang ở vị trí nào.
• AI đa phương thức có nhiệm vụ ghép các nguồn dữ liệu này thành một trạng thái thống nhất để ra quyết định.

Cách tổ chức này gần với cơ thể con người hơn nhiều so với mô hình “một camera nhìn mọi thứ”. Khi đưa tay lấy một vật, mắt dẫn đường trong phần lớn quãng di chuyển; đến lúc ngón tay chạm vật, cảm giác da và cơ bắt đầu đóng vai trò lớn hơn. Robot khéo léo cũng có thể cần một quá trình tương tự.

Đây cũng là mảnh ghép quan trọng của Embodied AI. Một mô hình có thể hiểu ngôn ngữ và hình ảnh rất tốt vẫn chưa đủ để làm việc trong thế giới thật nếu không biết một cánh cửa nặng đến đâu, một chiếc hộp đang trượt hay một vật dễ vỡ đã chịu lực tới mức nào.

“Da điện tử” có thể mở rộng xúc giác từ đầu ngón tay ra toàn cơ thể

Đầu ngón tay là nơi dễ thấy nhất của cuộc đua xúc giác, nhưng mục tiêu dài hạn rộng hơn nhiều. Robot làm việc cạnh con người cần cảm nhận cả cánh tay, lòng bàn tay, thân và những vùng có nguy cơ va chạm.

Các nghiên cứu về electronic skin hay e-skin đang tìm cách tạo ra lớp cảm biến mềm, mỏng và có thể uốn quanh những bề mặt cong. Một số hệ thống chỉ đo áp suất; những hệ thống khác kết hợp nhiệt độ, biến dạng, độ trượt hoặc thậm chí cảm nhận vật thể ở cự ly gần trước khi tiếp xúc. phu.lt gần đây cũng đã đề cập một kiến trúc da điện tử kết hợp cảm biến tiệm cận và xúc giác, cho thấy ranh giới giữa “nhìn gần” và “chạm” đang dần mờ đi.

Nếu có thể phủ cảm biến lên diện tích lớn với chi phí hợp lý, robot sẽ sở hữu một vùng nhận thức vật lý bao quanh cơ thể. Khi một người chạm vào cánh tay robot, khi thân máy va nhẹ vào bàn hoặc khi một vật tựa lên lòng bàn tay, hệ thống đều có thể biết vị trí và mức độ tiếp xúc thay vì chỉ phát hiện sự cố qua dòng điện động cơ hay camera bên ngoài.

Những ứng dụng nào sẽ hưởng lợi trước?

Lắp ráp chính xác là một ứng viên rõ ràng. Các thao tác cắm, xoay, siết, căn chỉnh và lắp ghép thường phụ thuộc vào cảm giác lực nhiều hơn là hình ảnh ở giai đoạn cuối. Một robot có xúc giác có thể phát hiện chi tiết bị lệch trước khi tiếp tục ép và gây hỏng linh kiện.

Robot gia đình và dịch vụ cũng cần khả năng này nếu muốn xử lý đồ vật đa dạng. Gấp quần áo, rửa bát, cầm thực phẩm mềm, mở bao bì hay nhặt một vật mỏng trên mặt bàn đều tạo ra những tình huống mà hình ảnh không đủ để xác định lực và ma sát.

Robot hình người đặc biệt phù hợp với xúc giác diện rộng vì chúng được kỳ vọng hoạt động trong không gian thiết kế cho con người. Một bàn tay năm ngón chỉ thực sự có ý nghĩa nếu robot biết các ngón đang tiếp xúc với vật ở đâu và có thể điều chỉnh từng điểm nắm.

Tay giả và thiết bị hỗ trợ là một hướng khác. Cảm biến xúc giác không chỉ giúp thiết bị cầm nắm tốt hơn mà còn có thể cung cấp dữ liệu cho giao diện thần kinh hoặc cơ chế phản hồi tới người sử dụng. Trong y khoa, các hệ robot phẫu thuật cũng có thể hưởng lợi từ khả năng ước lượng lực và tính chất mô ở điểm tiếp xúc, dù yêu cầu an toàn và chứng nhận cao hơn nhiều so với robot công nghiệp.

Vì sao “xúc giác máy tính” vẫn khó hơn tưởng tượng?

Thách thức đầu tiên là độ bền. Camera có thể được đặt sau lớp kính bảo vệ; cảm biến xúc giác lại nằm đúng nơi liên tục bị ép, kéo, cọ xát và va đập. Một lớp da mềm phải đủ nhạy để nhận ra thay đổi nhỏ nhưng cũng phải sống sót qua hàng triệu lần tiếp xúc.

Thứ hai là hiệu chuẩn và sản xuất. Các cảm biến mềm có thể khác nhau đôi chút sau khi chế tạo, thay đổi theo nhiệt độ, lão hóa vật liệu hoặc cách được gắn lên robot. Muốn triển khai ở quy mô lớn, ngành cần cảm biến rẻ, ổn định và dễ thay thế.

Thứ ba là dữ liệu. Internet chứa lượng hình ảnh và văn bản khổng lồ, trong khi dữ liệu xúc giác khó thu thập hơn vì phải có robot hoặc thiết bị thật tương tác với thế giới vật lý. Mỗi loại cảm biến lại tạo ra cấu trúc dữ liệu khác nhau, khiến việc chuẩn hóa và huấn luyện mô hình quy mô lớn phức tạp hơn.

Thứ tư là độ trễ. Xúc giác thường phục vụ điều khiển phản xạ, nên mô hình phải xử lý đủ nhanh và đáng tin cậy. Một hệ thống có thể suy luận rất thông minh nhưng phản ứng chậm vẫn không phù hợp để cứu một vật đang trượt khỏi tay.

Cuối cùng là bài toán kết hợp nhiều giác quan. Robot phải biết khi nào nên tin camera, khi nào nên ưu tiên lực ở đầu ngón tay và làm thế nào xử lý khi hai nguồn thông tin mâu thuẫn. Đây không chỉ là vấn đề cảm biến mà còn là vấn đề kiến trúc AI và điều khiển.

Từ “robot biết nhìn” đến “robot biết chạm”

Thị giác máy tính đã giúp robot hiểu thế giới ở khoảng cách vài centimet tới hàng mét. Xúc giác có thể phụ trách phần còn lại: những milimet cuối cùng nơi vật thể thực sự gặp ngón tay.

Sự thay đổi quan trọng không nằm ở việc tạo ra một cảm biến có thể “cảm” giống con người theo nghĩa đầy đủ. Nó nằm ở việc biến tương tác vật lý thành dữ liệu đủ giàu để AI học được: lực đang tăng hay giảm, vật có bắt đầu trượt, tiếp xúc có ổn định, bề mặt có đặc tính gì và hành động tiếp theo nên được điều chỉnh ra sao.

Khi các mô hình thị giác – ngôn ngữ ngày càng trở thành “bộ não” lập kế hoạch cho robot, cảm biến xúc giác có thể trở thành một phần của hệ thần kinh ngoại vi: hoạt động ở tốc độ cao, liên tục gửi tín hiệu về những gì đang xảy ra ngay tại nơi cơ thể máy tiếp xúc với thế giới.

Robot tương lai vì thế có thể không “nhìn” thế giới chỉ bằng camera. Một phần quan trọng của nhận thức sẽ nằm ở đầu ngón tay, lòng bàn tay và lớp da bao quanh cơ thể. Và trong những nhiệm vụ đòi hỏi sự khéo léo, đôi khi thứ giúp robot hiểu một vật thể rõ nhất không phải là nhìn nó lâu hơn, mà là chạm vào nó đúng cách.

Nguồn tham khảo

• Zhao Z. và cộng sự, “Embedding high-resolution touch across robotic hands enables adaptive human-like grasping”, Nature Machine Intelligence, 2025.
• Mao Q. và cộng sự, “Multimodal tactile sensing fused with vision for dexterous robotic housekeeping”, Nature Communications, 2024.
• Zhang N. và cộng sự, “Soft robotic hand with tactile palm-finger coordination”, Nature Communications, 2025.
• Song Y. và cộng sự, “Fingertip-scale six-axis tactile interface with high-precision force sensing and position localization for dexterous human–machine interactions”, Microsystems & Nanoengineering, 2026.
• Higuera C. và cộng sự, “Tactile Beyond Pixels: Multisensory Touch Representations for Robot Manipulation”, arXiv:2506.14754, 2025 (tiền xuất bản).
• Zhou J. và cộng sự, “TouchWorld: A Predictive and Reactive Tactile Foundation Model for Dexterous Manipulation”, arXiv:2607.07287, 2026 (tiền xuất bản).