접촉이 빈번한 조작 (Contact-rich manipulation)에서 주요한 병목 현상은 실제 세계의 데이터를 수집하는 데 따르는 어려움입니다. Sim-to-real 강화학습 (Reinforcement Learning, RL)은 확장 가능한 대안을 제공하지만, 시뮬레이션과 실제 사이의 간극 (Sim-to-real gap)으로 인해 촉각 (Touch)과 같이 정보 밀도가 높은 양식 (Modalities)을 효과적으로 사용하는 것이 방해받습니다. 기존의 Sim-to-real 방법들은 촉각 데이터를 거친 저차원 특징 (Low-dimensional features)으로 단순화함으로써 이 간극을 완화하려 시도하지만, 이는 복잡한 조작에 필요한 풍부함을 희생하게 됩니다. 본 연구에서는 물리적 원리에 기반하여 밀도 높은 접촉 정보를 보존하면서도 Sim-to-real 전이를 위한 강건성 (Robustness)을 유지하는 효과적인 촉각 표현인 압력 중심 (Center-of-Pressure, CoP)을 소개합니다. 이 표현을 지원하기 위해, 우리는 미분 가능한 역학 (Differentiable dynamics)에 기반한 센서 보정 (Calibration) 체계를 제안하며, 이를 통해 정답 (Ground-truth) 힘 측정값 없이도 택셀 (Taxel)의 방향을 추정할 수 있습니다. 우리는 두 가지 시각 정보가 없는 (Blind) 도전적인 접촉 중심 조작 작업인 페그 인 홀 삽입 (Peg-in-hole insertion)과 공 균형 잡기 (Ball balancing)에서 CoP를 평가합니다. 두 작업 모두에서 CoP를 조건으로 하는 정책 (Policies)은 다지형 손 (Multi-fingered hand)에서 제로샷 Sim-to-real 전이를 달성하였으며, 거친 이진 접촉 (Coarse binary-contact) 및 원시 택셀 (Raw-taxel) 베이스라인 모델보다 뛰어난 성능을 보였습니다. 학습된 정책 상태 (Policy states)에 대한 분석은 CoP를 조건으로 하는 정책이 제어의 창발적 부산물로서 물체의 질량 (Mass)과 같은 작업 관련 물리적 특성을 인코딩한다는 점을 시사합니다.