遥操作中的触觉反馈：一份调研笔记

本调研主要探究遥操作时的触觉反馈，为笔者在忆生科技实习期间完成。

本文首先说明遥操作为什么需要触觉反馈，并介绍人体的触觉感知机制；随后按振动、力、电刺激、形状阵列等类别梳理触觉反馈的实现方式；接着分析几个具体的遥操作系统，以及类 UMI 的穿戴式采集装置；最后进行总结与讨论。

1. 遥操作为什么需要触觉反馈

模仿学习的效果在很大程度上取决于数据，但”什么是好的数据”很难定义。遥操作是目前采集灵巧手数据的主流方式，常见的有三类：

• 基于视觉的手势识别（如用 VR 头显追踪手部）：无需穿戴设备，但容易受遮挡影响，精度有限；
• 动作捕捉手套：精度高，但操作者感受不到机械手的接触，只能依靠视觉判断是否接触以及接触力的大小；
• 商用力触觉手套（如 SenseGlove、MANUS 的力反馈型号）：反馈效果好，但价格昂贵，且与机器人系统集成的工作量较大。

缺少触觉时，操作者只能依靠视觉判断接触状态。当物体被手指遮挡、接触力很小，或需要控制抓握力度时，这种判断并不可靠。因此，一个直接的思路是研制兼具动作捕捉和力触觉反馈、且成本较低的设备。

2. 人体的触觉感知

2.1 皮肤中的四类机械感受器

手部皮肤中主要有四类机械感受器，分别负责不同的触觉信息：

该表可作为后文讨论的参照：一种触觉反馈装置能刺激哪类感受器，决定了它能传递哪类信息。振动马达主要刺激环层小体和迈斯纳小体，因此适合表达接触和碰撞；表达形状需要能刺激默克尔触盘的阵列；表达剪切和拉扯则需要使皮肤产生拉伸。

2.2 不同身体部位的触觉反馈

触觉是人机交互（human–computer interaction，HCI）领域的重要研究方向。在具身智能兴起之前，已有大量 HCI 研究关注如何让人感知虚拟或远程环境。按身体部位划分，常见的有：

• 脖颈：模拟头部受到的撞击，也有工作用于引导头部转动。常用肌肉电刺激（EMS）：将电极贴在对应肌肉上，刺激肌肉收缩，从而产生压力或撞击感。
• 胸背：一般为穿戴式背心，其上排布多个振动马达或机械推杆，VR 中发生碰撞时，对应位置的装置动作，产生压力和碰撞感。
• 手臂：研究相对较少，典型做法是用 EMS 刺激手臂肌肉，模拟搬起重物时的阻力。
• 手指：研究最多，涉及振动、电触觉、柔性电子皮肤和微流体等方式，详见第 3 节。
• 全身：例如用经颅磁刺激作用于大脑，在全身多个部位产生触觉（3.3 节）。

遥操作主要关注手指，但手臂和躯干的触觉同样有用，例如提示操作者机械臂即将碰到障碍物（4.4 节）。

3. 触觉反馈的实现方式

3.1 振动：ERM、LRA 与压电

振动是成本最低、应用最广的触觉反馈方式，常见于手机和游戏手柄。常用的执行器有三类：

• ERM（Eccentric Rotating Mass，偏心转子马达）：带偏心配重的直流电机，旋转时产生振动。结构简单、成本极低，但振幅和频率都由转速决定，无法独立控制，启停也较慢，只能提供较粗糙的振感。在消费电子中已基本被 LRA 取代。
• LRA（Linear Resonant Actuator，线性马达）：由线圈、磁铁和弹簧组成，用交流信号在共振频率附近驱动质量块往复运动。响应快、功耗低、振感清晰，是目前手机的主流方案；缺点是只在共振频率附近效率较高，频带较窄。按振动方向可分为纵向（Z 轴，通常为圆形）和横向（X/Y 轴，通常为长方形，行程更大，振感更丰富）两种。
• 压电（piezo）：压电效应是双向的。材料受压时产生电压（正压电效应），可用于传感；反之，施加电压时材料发生形变（逆压电效应），以交流电驱动即可产生振动。压电执行器利用的是后者，用压电薄膜或叠层陶瓷在高频下形变，频带宽、响应最快，可以编程出不同的触感，适合模拟纹理和摩擦；但需要上百伏的驱动电压，驱动电路和封装都更复杂。需要与压阻区分：压阻材料只是电阻随形变变化，只能用于采集，不能用于驱动。

不同应用场景下的选型建议如下：

振动的局限同样明显：它只能表达是否接触以及接触的强弱，无法表达形状、软硬和力的方向。

3.2 力反馈

力反馈的目标是在操作者的手指上施加真实的阻力，使其感知到抓握物体时的反作用力。常见的结构有以下几种：

• 绳驱：电机通过绳索牵引手指，DOGlove 即采用这种方案（4.1 节）。结构轻，但只能提供单一方向的拉力。
• 连杆外骨骼：用连杆将电机的力矩传递到各个指节，同时可以测量关节角度，许多数据手套采用这一思路。
• 制动器 / 阻尼：不主动施力，而是在需要时锁住关节或增大阻尼。例如 Hsin-Ruey Tsai 组的 ELAXO 用可调阻力模拟抓握和扭转，DextrEMS（3.3 节）中也使用了机械制动器。被动式方案的优点是安全、省电。

在上述结构的基础上，还可以做一些简单的扩展，例如在手指两侧增加推杆，引入侧摆方向的自由度，从而传递剪切力的感觉；或者用动态可调的阻尼模拟物体的软硬。

需要注意的是，用电机实现力反馈时，反馈的主观感受在很大程度上取决于控制方式。DOGlove 的实践表明，若只是简单地增大伺服的 PID 增益，操作者会感到反馈过硬、不自然。

3.3 电刺激与磁刺激

电刺激在 HCI 研究中非常常见，Pedro Lopes（现任职于芝加哥大学）在这一方向做了大量工作。

肌肉电刺激（EMS） 使肌肉非自主地收缩，从而产生被推开的感觉。例如在 VR 中推墙或搬起重箱时刺激手臂肌肉，使人感到墙推不动、箱子很重：

同样的方法也可以用于刺激颈部肌肉，直接驱动头部转动，以引导视线：

DextrEMS 针对 EMS 的两个固有问题：刺激一根手指时，其他手指也会随之运动；要让手指保持静止，只能持续收缩对侧肌肉，导致手指上下振荡。该工作在 8 个指关节上加装了机械制动器（整套仅 68 克），由 EMS 负责驱动、制动器负责将手指锁定在目标位置，从而实现更灵巧的控制。

不遮挡手掌的全手电触觉（CHI 2023 最佳论文）：电极只贴在手背和手腕上，通过刺激正中神经和尺神经，使人在手掌一侧的 11 个位置感知到触觉。由于手掌侧没有任何装置，用户可以正常抓握真实物体。

磁刺激：EMS 的电脉冲会带来刺痛感，且依赖预先涂好凝胶的电极，电极需要贴紧皮肤，凝胶也很快会变干。改用磁场刺激肌肉（UIST 2023）可以减轻刺痛感，并能隔着衣物进行刺激。

Haptic Source-Effector（CHI 2024）更进一步：用经颅磁刺激（TMS）作用于大脑，将磁线圈移动到头皮上的不同位置，即可在全身产生 15 种不同的触觉和力觉，无需在每个部位都安装执行器。

电刺激（包括磁刺激）的优点是设备可以做得很小、很轻，并能产生真实的力。但其局限同样明显：不同个体对电刺激的反应差异很大，每次使用前都需要校准；刺痛感和安全风险也使其难以长时间使用。总体而言，电刺激目前主要停留在研究阶段，距离可长期使用的产品还有较大距离。

3.4 形状阵列

要表达形状，需要在指尖放置一个”像素阵列”，每个像素可以独立凸起。最直接的方案是机械推杆阵列，但难以小型化；桌面尺度的大型推杆阵列已有相关工作。

Fluid Reality（CMU，UIST 2023）是本次调研中最接近理想的方案。每个指尖有一个由气泡状像素组成的阵列，像素内装有液体，通电后液体流入气泡使其鼓起。每个像素都是一个仅几百微米厚的电渗泵，没有任何运动部件，直接利用电场驱动液体中的电荷流动。

该方案较好地兼顾了前述需求：

1. 具备阵列：可以表达物体的大致形状，且响应迅速；
2. 低成本、便携：整只手套无需连接外部设备，含全部驱动电路和电池仅 207 克，据报道续航约 3 小时，制作成本在 1000 美元以内。

其难点在于制作：封装容易漏液，在此基础上进行改进也需要一定的化学背景（据尝试复现的同学反馈）。该项目后来已成立公司，若以产品落地为目标，直接采购可能比自行复现更可行。

此外，柔性电子皮肤和微振动阵列也可以模拟精细的图案和纹理，比电刺激更安全、触感更真实，但工艺同样复杂。

3.5 软硬、摩擦及其他感觉

另有一些工作不直接施加力，而是改变手指对真实物体的感知：

• 改变软硬感（Lopes 组，UIST 2021 最佳论文）：通过限制指腹的形变，使硬质物体被感知为更软。装置只夹在指腹两侧，指腹大部分保持裸露，仍能感知物体的纹理，也无需改造物体本身。
• Stick&Slip（Lopes 组，CHI 2024）：在指腹上沉积一层快速蒸发的液体，改变指腹与表面之间的摩擦系数，使表面变滑或变黏（约 ±60%），液体蒸发后摩擦即恢复原状。该方法无需改造被触摸的表面，但前提是手指接触真实表面，因此难以直接用于遥操作。

• HairTouch（CHI 2021）：在 VR 手柄上伸出一束毛刷，通过改变毛发伸出的长度和约束程度，表达软硬、粗糙度和表面高度的差异。
• GuideBand（CHI 2021）：三个电机通过绳索牵引手腕上的腕带，在三维方向上施加不同强度的拉力，用于引导小臂的运动方向。
• FingerX（CHI 2022）：在手指上安装可伸出和收回的支撑结构，配合真实物体渲染虚拟物体的形状。

以上三项工作均有 Hsin-Ruey Tsai 参与，前文提到的 ELAXO 也出自其实验室。

温度和湿度同样属于触觉，但难以用于遥操作：热量和液体的传导过慢，无法跟上接触状态的快速变化。纹理的应用场景也较少，在大多数操作任务中，纹理对动作的影响并不明显。

3.6 小结

4. 遥操作中的触觉反馈

4.1 DOGlove：低成本的力触觉手套

DOGlove（RSS 2025）的目标可以用作者的一句话概括：”Bring everything about touch back to human.” 它面向实时遥操作而非离线示教，旨在实现兼具动作捕捉和力触觉反馈的低成本设备。

硬件：21 自由度的动作捕捉与 5 自由度的力反馈，整套成本低于 600 美元，并且开源。每根手指由电机通过绳索牵引，提供拉力反馈；每个指尖装有一个 LRA，提供振动反馈。

动作重定向（retargeting）：人手与灵巧手的尺寸和关节结构不同，需要将手套测得的关节角映射到灵巧手上。DOGlove 先用手套的正运动学求出人手的指尖位置，经过缩放和变换后，再用灵巧手的逆运动学求解关节角。其中的关键是保证对指：人的拇指与食指接触时，灵巧手的拇指与食指也必须接触。这部分映射需要人工设计，工作量较大。

力触觉重定向：灵巧手指尖装有一维力传感器，DOGlove 根据测得的力，在振动和力反馈之间切换：

轻接触时不使用力反馈，一方面是因为人对振动较为敏感，用振动表达轻接触更自然；另一方面，力反馈通过调节伺服的力矩实现（具体为调节 PID 的 Kp），在小力范围内容易让人感到过硬。

后续方向：作者认为二值或一维信号并不足够，除接触与否之外，材质、软硬、温度等信息同样重要，他们也在尝试形状感知阵列。

4.2 Bunny-VisionPro：基于 ERM 的低成本反馈

Bunny-VisionPro（IROS 2025）使用 Apple Vision Pro 进行双手灵巧遥操作，并用 ERM 实现了一套成本较低的触觉反馈：

• 在机器人五指的指尖贴 FSR 压力传感器，实时读取手指与物体之间的接触压力；
• 先进行零点标定（在多个关节位置采集基线，插值后扣除），再做低通滤波；
• 将触觉强度归一化为 0–255 的 PWM 占空比，直接驱动操作者手指上的 ERM 振动马达。

论文还将触觉加入了策略的输入：一种是作为向量并入机器人状态，用 MLP 编码；另一种是将发生接触的指尖视为点，拼入相机点云一起进行视觉编码。实验结果如下：

• 在简单的单手任务中，加入触觉输入几乎没有提升；
• 在双手任务（如双手捏合、协同搬运）中有少量提升；
• 用户实验表明，操作者主观上更倾向于有振动反馈，认为其更自然、更容易感知接触。

这说明触觉反馈对数据采集者的帮助，可能比作为策略输入更直接。此外，ERM 已较为过时，改用 LRA 可以获得更好的反馈效果。

4.3 触觉的 AR 可视化

除了将触觉传递到手上，另一种思路是将触觉信息可视化：

• RDP（Reactive Diffusion Policy，RSS 2025） 的遥操作系统 TactAR 用 AR 将触觉和力引起的形变实时渲染在末端执行器上，帮助操作者完成削黄瓜皮、擦除花瓶上的字迹等需要控制接触力的任务；
• KTH 的一项灵巧手工作（Learning Dexterous In-Hand Manipulation with Multifingered Hands via Visuomotor Diffusion，IROS 2025）使用 Meta Quest 3 的透视 AR 追踪人手，并将追踪结果叠加显示，使操作者能实时看到手的姿态，但没有触觉反馈。

在此基础上，还可以将力的方向和接触位置叠加到 AR 画面中。RDP 使用的是夹爪，若扩展到灵巧手，并将触觉可视化直接叠加在操作者的手上，效果可能更好。

4.4 全身振动提示

AeroHaptix 是一套穿戴式振动触觉系统：操作者遥控无人机时，屏幕中不可见的障碍物会通过身体对应方位的振动进行提示，从而减少碰撞。

这一思路同样适用于机器人遥操作：在操作者的手臂或躯干上布置若干振动马达，提示机械臂即将碰到周围物体。手臂外骨骼（如 AirExo）已有相关工作，但利用触觉提示碰撞仍值得进一步探索。

5. 类 UMI 的穿戴式采集

UMI 使用手持夹爪直接记录人的操作，采集时不需要机器人在场。以下几项工作将这一思路扩展到了灵巧手：采集装置戴在人手上，人用自己的手完成操作，天然具备完整的触觉，因而无需再设法将触觉还原给操作者。

5.1 Feel the Force：人手与夹爪使用相同的触觉传感器

FTF（Feel the Force，RSS 2025 workshop）不使用遥操作，而是直接采集人手的演示：操作者佩戴一只在拇指指腹装有 AnySkin 式磁性触觉传感器的手套完成任务，机器人夹爪的一个指尖上也装有同样的传感器。其思路是：既然要把人的力迁移到机器人上，就让两端使用相同的传感器。为简化问题，人手到夹爪的映射是固定的。

策略从机器人和物体关键点的历史轨迹、力以及夹爪状态中学习，预测未来的运动和所需的接触力，再交由夹爪的力反馈控制器执行。

5.2 DexUMI：与灵巧手运动学一致的外骨骼

DexUMI（CoRL 2025，最佳论文提名）旨在弥合人手与灵巧手之间的两类差距：

• 硬件差距：为特定的灵巧手（如 Inspire Hand、XHand）设计外骨骼，其关节和长度与灵巧手一致。人佩戴外骨骼操作时，动作可以直接映射，无需 retargeting。
• 视觉差距：用分割和图像修复模型将视频中的人手和外骨骼去除，替换为机器人手的图像，使训练数据在视觉上接近机器人自身的操作。

与 UMI 相比，DexUMI 的新颖性没有那么突出，但完整跑通了从数据采集到策略部署的流程，采集效率也明显更高：15 分钟内，遥操作可采集 11 条轨迹，DexUMI 为 36 条，徒手操作为 51 条。

5.3 DEXOP：带被动机械手的手部外骨骼

DEXOP 提出了名为 perioperation 的采集范式：人佩戴手部外骨骼，外骨骼上连接一只被动的机械手，人的手指通过连杆直接带动机械手的手指，实现 1:1 操作。

• 采集速度快，操作者能直接感受到接触，精度有保证；
• 机械手上布满触觉传感器，虽然触觉无法完整感知形状，但操作者可以借助视觉，保证采到完成任务的数据；
• 只使用手腕相机和触觉，不使用第三人称视角，因此画面中没有人手，不存在视觉差距；
• 手臂部分安装在 AirExo-2 全臂外骨骼上，可同时采集手臂的动作。

其局限在于：受连杆宽度限制，对指较难实现，也存在一定的碰撞问题；此外，DEXOP 是在自行设计的机械手上加装的，设计时已考虑拆装。对于已封装好的商用灵巧手，则难以进行类似的改造。

5.4 其他相关工作

• DigituSync（UIST 2022）：一种被动外骨骼，将两个人的手连接在一起，实时传递手指运动，并可调节两人之间的力传递比例。其思路与 DEXOP 相近，但只能传递手指的屈伸，无法完成抓握。
• Festo ExoHand（2012）：较早的气动外骨骼手，既能将人手的动作实时传递给机械手，也能将机械手的抓握力反馈给操作者，属于双向遥操作。
• 刺绣智能手套（Nature Communications 2024）：用数字刺绣机将压阻式触觉传感器和振动执行器直接绣入纺织品，快速制作兼具感知与反馈功能的手套，其演示也包括机器人遥操作。
• 开源触觉传感器：例如 3D-ViTac 开源了一种低成本的柔性触觉传感器，作者称 30 分钟即可制作一个。DexUMI 等人手采集方案目前无法采集触觉，将这类传感器贴在手上即可同时采集触觉信息。
• Co-Embodiment：一项在会议上展示的实验，后整理为论文 One Body, Two Minds（KTH，2026）。抓取由扩散策略完成，用户只需点头即可触发与任务相关的手指动作，例如按下电钻开关。用户能够很快适应这种控制方式。这表明对于低自由度的手，或许用四个按键加一个摇杆即可控制整只手，只是效率不及 DEXOP。

6. 总结与讨论

1. 电刺激在研究中最常见，但难以产品化。 个体差异大，使用前需要校准，且存在一定风险，目前主要停留在研究阶段。
2. 柔性皮肤、液泵和微振动阵列更安全、触感更真实，但工艺复杂。
3. 高还原度的触觉难以依靠单一手段实现，需要跨学科合作。对具身智能而言，更合理的方向是面向具身数据，而非追求触觉本身：优先实现便捷、高质量的数据采集，而不是高还原度的采集体验。
4. 在视觉可见、操控容易的情况下，简单的振动反馈已基本够用。 DOGlove 基本达到了简单触觉反馈的上限，进一步的改进大多是 ERM、LRA 等执行器的组合。
5. 传感器的布置应由采集需求决定，而非设计者的设想。 例如是否在中间指节增加传感、是否在末端增加控制，应根据实际采集中的需要来判断。

综上，触觉在具身数据采集中主要有三种用法：

笔者认为第三种方式最有利于 scaling：装置戴在人手上，采集速度快，操作方式也符合人的本体感知，是与人最接近的采集方式。

此外，在开展数据采集之前，或许应当先明确什么才是好的遥操作数据：轨迹、速度、力，哪些才是策略真正需要的。

参考文献

遥操作与数据采集

1. H. Zhang, S. Hu, Z. Yuan, H. Xu. DOGlove: Dexterous Manipulation with a Low-Cost Open-Source Haptic Force Feedback Glove. RSS, 2025.
2. R. Ding, Y. Qin, J. Zhu, C. Jia, et al. Bunny-VisionPro: Real-Time Bimanual Dexterous Teleoperation for Imitation Learning. IROS, 2025.
3. A. Adeniji, Z. Chen, V. Liu, V. Pattabiraman, et al. Feel the Force: Contact-Driven Learning from Humans. arXiv, 2025.
4. R. Bhirangi, V. Pattabiraman, E. Erciyes, Y. Cao, et al. AnySkin: Plug-and-play Skin Sensing for Robotic Touch. ICRA, 2025.
5. C. Chi, Z. Xu, C. Pan, E. Cousineau, et al. Universal Manipulation Interface: In-The-Wild Robot Teaching Without In-The-Wild Robots. RSS, 2024.
6. M. Xu, H. Zhang, Y. Hou, Z. Xu, et al. DexUMI: Using Human Hand as the Universal Manipulation Interface for Dexterous Manipulation. CoRL, 2025.
7. H.-S. Fang, B. Romero, Y. Xie, A. Hu, et al. DEXOP: A Device for Robotic Transfer of Dexterous Human Manipulation. arXiv, 2025.
8. H. Fang, H.-S. Fang, Y. Wang, J. Ren, et al. AirExo: Low-Cost Exoskeletons for Learning Whole-Arm Manipulation in the Wild. ICRA, 2024.
9. H. Fang, C. Wang, Y. Wang, J. Chen, et al. AirExo-2: Scaling up Generalizable Robotic Imitation Learning with Low-Cost Exoskeletons. CoRL, 2025.
10. H. Xue, J. Ren, W. Chen, G. Zhang, et al. Reactive Diffusion Policy: Slow-Fast Visual-Tactile Policy Learning for Contact-Rich Manipulation. RSS, 2025.
11. P. Koczy, M. C. Welle, D. Kragic. Learning Dexterous In-Hand Manipulation with Multifingered Hands via Visuomotor Diffusion. IROS, 2025.
12. P. Koczy, Y. Zhang, D. Kragic, M. C. Welle. One Body, Two Minds: Variable Autonomy Approach for a Co-embodied Robotic Hand. arXiv, 2026.
13. B. Huang, Y. Wang, X. Yang, Y. Luo, Y. Li. 3D-ViTac: Learning Fine-Grained Manipulation with Visuo-Tactile Sensing. CoRL, 2024.
14. Y. Luo, C. Liu, Y. J. Lee, J. DelPreto, et al. Adaptive tactile interaction transfer via digitally embroidered smart gloves. Nature Communications, 2024.
15. B. Huang, Z. Wang, Q. Cheng, S. Ren, et al. AeroHaptix: A Wearable Vibrotactile Feedback System for Enhancing Collision Avoidance in UAV Teleoperation. IEEE RA-L, 2025.
16. Festo. ExoHand. Bionic Learning Network, 2012.

触觉反馈（HCI）

1. P. Lopes, S. You, L.-P. Cheng, S. Marwecki, P. Baudisch. Providing Haptics to Walls & Heavy Objects in Virtual Reality by Means of Electrical Muscle Stimulation. CHI, 2017.
2. Y. Tanaka, J. Nishida, P. Lopes. Electrical Head Actuation: Enabling Interactive Systems to Directly Manipulate Head Orientation. CHI, 2022.
3. R. Nith, S.-Y. Teng, P. Li, Y. Tao, P. Lopes. DextrEMS: Increasing Dexterity in Electrical Muscle Stimulation by Combining it with Brakes. UIST, 2021.
4. Y. Tanaka, A. Shen, A. Kong, P. Lopes. Full-hand Electro-Tactile Feedback without Obstructing Palmar Side of Hand. CHI, 2023.
5. Y. Tanaka, A. Takahashi, P. Lopes. Interactive Benefits from Switching Electrical to Magnetic Muscle Stimulation. UIST, 2023.
6. Y. Tanaka, J. Serfaty, P. Lopes. Haptic Source-effector: Full-body Haptics via Non-invasive Brain Stimulation. CHI, 2024.
7. Y. Tao, S.-Y. Teng, P. Lopes. Altering Perceived Softness of Real Rigid Objects by Restricting Fingerpad Deformation. UIST, 2021.
8. A. Mazursky, J. Serfaty, P. Lopes. Stick&Slip: Altering Fingerpad Friction via Liquid Coatings. CHI, 2024.
9. J. Nishida, Y. Tanaka, R. Nith, P. Lopes. DigituSync: A Dual-User Passive Exoskeleton Glove That Adaptively Shares Hand Gestures. UIST, 2022.
10. V. Shen, T. Rae-Grant, J. Mullenbach, C. Harrison, C. Shultz. Fluid Reality: High-Resolution, Untethered Haptic Gloves using Electroosmotic Pump Arrays. UIST, 2023.
11. Z.-Y. Zhang, H.-X. Chen, S.-H. Wang, H.-R. Tsai. ELAXO: Rendering Versatile Resistive Force Feedback for Fingers Grasping and Twisting. UIST, 2022.
12. H.-R. Tsai, C. Tsai, Y.-S. Liao, Y.-T. Chiang, Z.-Y. Zhang. FingerX: Rendering Haptic Shapes of Virtual Objects Augmented by Real Objects using Extendable and Withdrawable Supports on Fingers. CHI, 2022.
13. H.-R. Tsai, Y.-C. Chang, T.-Y. Wei, C.-A. Tsao, et al. GuideBand: Intuitive 3D Multilevel Force Guidance on a Wristband in Virtual Reality. CHI, 2021.
14. C.-J. Lee, H.-R. Tsai, B.-Y. Chen. HairTouch: Providing Stiffness, Roughness and Surface Height Differences Using Reconfigurable Brush Hairs on a VR Controller. CHI, 2021.