- 解决**力主导装配(force-dominant assembly)** 任务中，现有**机器人运动适应(RMA)** 方法在**真实硬件(real hardware)** 上性能严重退化的问题
- 现有方法（如FORGE）在仿真中成功率高，但部署到真实机器人时成功率大幅下降
- 研究背景：接触丰富的装配任务需要在线适应，而传统方法依赖于模拟器参数校准或演示，难以实现无梯度的片段内适应
- 提出**CoRMA(对比性机器人运动适应，Contrastive Robotic Motor Adaptation)** 框架，修改**RMA**，用紧凑的**6D模拟器专属语义接触上下文(simulator-only semantic contact context)** 替代原始模拟器参数适应
- 语义上下文包含五个维度：**接触开始(contact onset)**、**侧向接合(lateral engagement)**、**引导过渡(guided transition)**、**接触方向(contact direction)** 和**卡住(jamming)**
- 使用可部署的**因果Transformer适配器(causal Transformer adapter)**，通过**语义回归(semantic regression)** 和**力状态对比目标(force-regime contrastive objective)**，从力、本体感受和动作历史中在线推断上下文
- 部署时移除oracle上下文，替换为推断上下文，实现无需演示、特权输入或梯度更新的**片段内适应(within-episode adaptation)**
- **首创性**：首次提出将**语义接触上下文(semantic contact context)** 作为可复用的适应接口，替代原始模拟器参数，用于力主导装配的元适应
- **对比学习目标**：引入**力状态对比目标(force-regime contrastive objective)**，增强对接触状态的区分能力
- **部署无负担**：无需演示、特权输入或梯度更新，实现真正的**零样本(zero-shot)** 片段内适应
- **跨任务可复用**：语义上下文设计面向相关装配任务家族，具备可迁移性
- 提出**CoRMA** 框架，显著提升了从仿真到真实(Sim2Real)的迁移成功率，在真实机器人上保持比FORGE基线更高的验证成功率
- 在**PegInsert、GearMesh、NutThread** 三个接触丰富的装配任务中验证了有效性，涵盖仿真（Isaac Lab/Isaac Sim 5.0）和真实（Marvin臂）环境
- 证明了**语义接触推断(semantic contact inference)** 可作为相关装配任务家族内的可复用适应接口，为后续无梯度、无演示的适应方法提供了新范式
- 指出了未来方向：更广泛未见任务的泛化和**Real2Sim校准(Real2Sim calibration)**