针对柔性物体操纵问题，提出了一种视/触觉融合的柔性物体抓取力估计方法——多感知局部增强Transformer(MSLET)。该方法利用模型学习每种传感器模态的低维特征，推断待抓取物体的物理特征，融合各模态的物理特征向量，用于预测抓取结果，并结合安全抓取物体的经验，推断最佳抓取力。首先，提出了用于提取视觉图像和触觉图像浅层特征的Feature-to-Patch模块，它利用2种图像的浅层特征提取图像块，进而得到它们的边缘特征，充分学习数据的特征信息，更好地推断物体的物理特征。其次，提出了用于增强局部特征的Local-Enhanced模块，对多头自注意力机制生成的图像块进行深度可分离卷积处理，以此增强局部性特征处理，促进空间维度上相邻标记之间的相关性，提高抓取结果的预测准确率。最后，对比实验表明，本文算法在保证运行效率的同时，将抓取准确率相较于当前最优模型提高了10.19%，证明该算法能够有效估计柔性物体抓取力。
