近日，中国科学院宁波材料技术与工程研究所等团队在具身智能交互刚度感知领域取得重要进展。针对人形机器人在打磨、装配等接触密集型作业中面临的环境刚度估计难题，传统表面肌电信号等方法易受肌肉串扰与未知噪声干扰，导致特征提取不稳定。研究团队创新提出极值理论驱动的无噪声最大相关最小冗余特征选择方法。该方法利用极值理论动态估计噪声截尾阈值，摒弃了传统预设置信水平的局限，通过构建无噪声相似性度量，有效评估特征间的冗余关系。在最大化相关性并最小化冗余性的优化下，算法能从高维含噪数据中精准筛选出高信息量特征子集。研究团队在十五个基准数据集及人机协作擦拭任务中完成验证。实验表明，仅凭筛选出的十个肌电信号特征，即可实现连续交互刚度的高精度重构，平均绝对误差较三种基准方法降低约百分之三十七点七三，使机器人得以根据压力痕迹自主调节擦拭力度。该成果为从复杂生理信号中提取可靠交互线索提供了高效数据驱动工具，有望为人形机器人技能迁移、抛光打磨等接触操作提供关键技术支撑。相关论文已发表于《IEEE工业电子汇刊》。