该论文旨在解决从相机和本体感觉(proprioception)单独学习接触丰富的操作任务时面临的挑战，因为接触事件仅被部分观测到。研究背景是：在机器人操作中，精确感知接触对于执行需要精细力控制的动作（如轻柔按压按钮）至关重要。
论文使用了一种训练时仪器化(instrumentation)方法，具体包括：
- 以按钮按压作为测试平台，使用指尖麦克风(microphone fingertip)捕捉与接触相关的音频(audio)。
- 利用仪器化的按钮状态信号作为特权监督(privileged supervision)，将音频编码器(audio encoder)微调(fine-tune)成一个接触事件检测器(contact event detector)。
- 将生成的表示与模仿学习(imitation learning)结合，采用了三种策略，确保策略(policy)在推理(inference)时仅使用视觉(vision)和音频。
论文的核心创新点是提出并验证了“训练时仪器化”作为一种实用的辅助训练范式，其独特之处在于：
- 在训练阶段利用额外的仪器化传感器（如按钮状态信号和指尖麦克风）提供丰富的接触监督信号，但在部署(deployment)时策略仅依赖常规传感器（视觉和音频），避免了部署时的仪器依赖。
- 将仪器化信号作为特权监督来提炼(disentangle)音频表示，使其能更有效地检测接触事件，从而引导策略学习更轻柔的接触力控制。
- 与仅从部分观测中学习的方法相比，该方法通过仪器化辅助目标(auxiliary objective)显著改善了策略在接触力最小化方面的性能，而不影响任务成功率。
论文对该领域的整体贡献包括：
- 实证表明，训练时仪器化可以作为学习接触丰富操作策略的一种实用辅助目标，能有效提升策略的精细力控制性能（如降低接触力）。
- 为机器人学习提供了一种新思路：在训练中利用低成本、易部署的仪器化（如传感器化的物体）来增强学习信号，而不影响最终策略的部署可行性。
- 通过按钮按压的具体案例，验证了音频表示在接触事件感知中的潜力，并展示了如何通过特权监督将其与模仿学习框架结合。