← 返回论文列表

从触及到插入：亚毫米公差下的触觉增强精密装配
From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances

作者: Xinpan Meng, Siyao Huang, JingPu Yang 等9人
arXiv: 2605.04649v1
分类: cs.RO
📝 论文摘要
高精度装配经常涉及紧公差插入任务，即使微小的位姿误差也可能导致卡滞或过大的交互力，使得获取鲁棒且安全的插入策略变得困难。本文提出了一种融合模仿学习与强化学习的触觉增强两阶段方法，用于精密插入任务。在第一阶段，模仿学习学习一个具有位置泛化能力的接近策略，该策略能够抓取销钉并将其引导至目标区域附近。在第二阶段，强化学习执行插入操作，并能够在接触丰富的交互过程中从失败中恢复。为了更好地利用触觉反馈，我们引入了触觉组采样，以增加训练过程中关键接触段的覆盖范围，并设计了一个触觉评价器来更准确地评估策略值，从而在保持低接触力的同时提升插入性能。我们在五种孔几何形状和三种间隙设置下进行了系统性实验。结果表明，我们的方法在所有设置下均显著提升了插入性能；在最具挑战性的0.05毫米间隙下，该方法实现了67%的成功率，同时保持较低的接触力，将最大交互力降低了60%，力矩降低了44%，从而验证了该方法的有效性和用于精密装配的安全性。

📊 核心分析

🎯 研究动机
- 高精度装配中，紧公差插入任务存在挑战：即使微小位姿误差也会导致**卡住(jamming)** 或**过大交互力(excessive interaction forces)** - 现有方法难以获得鲁棒且安全的插入策略，尤其是在**亚毫米公差(sub-millimeter tolerances)** 下 - 研究背景：精密装配对机器人操作能力要求极高，需要同时保证成功率和低接触力
🔧 核心方法
- 提出**触觉增强两阶段方法(tactile-augmented two-stage method)**，结合**模仿学习(Imitation Learning, IL)** 和**强化学习(Reinforcement Learning, RL)** - 第一阶段：IL学习**到达策略(reaching policy)**，具备位置泛化能力，抓取并移动**插头(peg)** 至目标区域附近 - 第二阶段：RL执行**插入(insertion)** 并在接触密集交互中实现**故障恢复(recovery from failures)** - 引入**触觉组采样(tactile group sampling)** 增大关键接触片段覆盖率；设计**触觉评论家(tactile critic)** 更准确评估策略值，在提高插入性能的同时保持低接触力
💡 核心创新
- **首创性**：将IL与RL以两阶段方式融合，并利用触觉反馈增强，解决了紧公差插入的鲁棒性和安全性问题 - **触觉组采样**：通过增大关键接触段的数据覆盖率，提升触觉信息利用率 - **触觉评论家**：基于触觉信号设计更精确的策略价值评估函数，有效平衡成功率和接触力 - **在极端条件(0.05mm间隙)下** 实现67%成功率，同时将最大交互力降低60%、扭矩降低44%，显著优于现有方法
🏆 总体贡献
- 为**精密装配(precision assembly)** 领域提供了一种新颖的**触觉增强两阶段范式(tactile-augmented two-stage paradigm)**，在多种孔几何形状和间隙设置下均有效 - 在最具挑战的0.05mm间隙下，实现了高成功率和低接触力，验证了方法的**有效性(effectiveness)** 和**安全性(safety)** - 系统实验涵盖五种孔几何形状和三种间隙设置，为后续研究提供了基准和可复现的参考