인간은 시각 없이 오직 촉각만으로도 물체의 위치를 파악하고 식별하는 일을 손쉽게 수행합니다. 이와 대조적으로, 로봇 시스템은 시각에 크게 의존하며 자율적인 촉각 탐색(tactile exploration)과 객체 식별(object identification)에 어려움을 겪습니다. 본 연구에서는 다지형 로봇(multi-fingered robot)이 제한된 작업 공간을 자율적으로 탐색하고, 접촉을 통해 물체를 발견하며, 촉각 재구성(tactile reconstruction)을 통해 이를 식별할 수 있게 하는 시각 없는(vision-free) 촉각 탐색 프레임워크인 TACTFUL을 제시합니다. 시뮬레이션 없이 실제 하드웨어에서만 완전히 학습된 우리 시스템은 동적인 보상 스케줄(dynamic reward schedule)을 통해 전역 작업 공간 탐색(global workspace exploration)과 국소 표면 정밀화(local surface refinement) 사이의 균형을 맞추는 단일 정책(single policy)을 학습합니다. 실험 결과, 촉각 센싱(tactile sensing)이 구조화된 학습과 결합될 때 객체 수준의 추론(object-level reasoning)을 위한 효과적인 주요 양식(primary modality)으로 기능할 수 있음을 입증하였으며, 77%의 성공률과 평균 0.015m의 재구성 오차를 달성하며 실제 물체에 대해 기존 베이스라인 방식들을 능가하는 성능을 보였습니다.