销钉与孔之间只差一点点对齐误差，就可能卡住，或让机器人施加过大的接触力。中国科学院自动化研究所团队在论文《From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances》中，将视觉引导的靠近过程与触觉信息辅助的强化学习结合起来，专门应对接触丰富的精细插装。在最窄的测试间隙——0.05毫米——该方法成功率达到67%，高于不使用触觉的学习方案，但仍未做到次次成功。19

把“靠近”和“插入”分开学习

研究团队没有让一个策略从头到尾完成整项任务，而是采用两阶段流程：先用扩散策略（Diffusion Policy）进行模仿学习，抓取随机摆放的销钉并将其移到孔口附近；随后由软演员-评论家（Soft Actor-Critic，SAC）强化学习处理精细插入，并在接触不顺利时尝试恢复。1

这样的分工针对的是两个不同难点：把销钉送到孔口，主要是视觉引导下的移动；一旦发生接触，细微的姿态偏差就可能改变受力，让销钉卡住。学习得到的恢复策略可以根据实际接触情况调整，而不是只重复示范轨迹。1

触觉用于评估接触，而不只是“给机器人多一个输入”

研究采用非对称的演员—评论家架构：演员主要依据视觉信息行动，评论家则在训练时额外利用触觉信息评估动作。换言之，触觉帮助系统判断接触密集场景中的动作效果、改进策略；这不等于部署后的演员在每一步动作中都直接依赖触觉输入。1

团队还校正了夹持销钉本身带来的触觉负载：先在抓取后、销钉尚未接触孔口时记录触觉基线，再将后续读数与基线比较，以便把插装产生的力和扭矩与夹持负载区分开来。1

训练时，研究人员按扭矩对样本分组并均衡抽样，使模型能更多接触到重要的接触与失败案例，避免这些样本在普通采样中占比不足。1

间隙越小，纯模仿学习越难

实验使用七自由度的 Franka Emika Panda 机械臂、安装在指尖的 PaXini PX-6AX GEN3 六轴触觉传感器，以及腕部和全局视角的 Intel RealSense 摄像头。测试孔型包括方形、圆形、六边形、L 形和三角形，间隙分别为1毫米、0.25毫米和0.05毫米。1

间隙	纯模仿学习成功率
1毫米	76%
0.25毫米	24%
0.05毫米	0%

在0.05毫米间隙下，不带触觉的“模仿学习＋强化学习”方案成功率为52%；加入触觉信息辅助的评论家和分组均衡采样后，成功率升至67%，提高15个百分点。研究还报告，峰值接触力降低60%，峰值扭矩降低44%。1910

有提升，但离稳定成功仍有距离

这组结果表明，当视觉难以单独判断接触状态时，触觉可以帮助学习型机器人更有效、更温和地完成插装。研究的重点并非简单地把触觉信号接入视觉策略，而是将分阶段学习、触觉辅助动作评估、基线校正和接触样本均衡采样结合起来。1

不过，最难的0.05毫米间隙下成功率为67%，意味着报告测试中仍有约三分之一未能成功。研究展示的是特定实验设置下的性能提升，而不是机器人已经能可靠完成所有超高精度插装任务。19

销钉与孔之间只差一点点对齐误差，就可能卡住，或让机器人施加过大的接触力。中国科学院自动化研究所团队在论文《From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances》中，将视觉引导的靠近过程与触觉信息辅助的强化学习结合起来，专门应对接触丰富的精细插装。在最窄的测试间隙——0.05毫米——该方法成功率达到67%，高于不使用触觉的学习方案，但仍未做到次次成功。19

把“靠近”和“插入”分开学习

研究团队没有让一个策略从头到尾完成整项任务，而是采用两阶段流程：先用扩散策略（Diffusion Policy）进行模仿学习，抓取随机摆放的销钉并将其移到孔口附近；随后由软演员-评论家（Soft Actor-Critic，SAC）强化学习处理精细插入，并在接触不顺利时尝试恢复。1

这样的分工针对的是两个不同难点：把销钉送到孔口，主要是视觉引导下的移动；一旦发生接触，细微的姿态偏差就可能改变受力，让销钉卡住。学习得到的恢复策略可以根据实际接触情况调整，而不是只重复示范轨迹。1

触觉用于评估接触，而不只是“给机器人多一个输入”

研究采用非对称的演员—评论家架构：演员主要依据视觉信息行动，评论家则在训练时额外利用触觉信息评估动作。换言之，触觉帮助系统判断接触密集场景中的动作效果、改进策略；这不等于部署后的演员在每一步动作中都直接依赖触觉输入。1

团队还校正了夹持销钉本身带来的触觉负载：先在抓取后、销钉尚未接触孔口时记录触觉基线，再将后续读数与基线比较，以便把插装产生的力和扭矩与夹持负载区分开来。1

训练时，研究人员按扭矩对样本分组并均衡抽样，使模型能更多接触到重要的接触与失败案例，避免这些样本在普通采样中占比不足。1

间隙越小，纯模仿学习越难

实验使用七自由度的 Franka Emika Panda 机械臂、安装在指尖的 PaXini PX-6AX GEN3 六轴触觉传感器，以及腕部和全局视角的 Intel RealSense 摄像头。测试孔型包括方形、圆形、六边形、L 形和三角形，间隙分别为1毫米、0.25毫米和0.05毫米。1

间隙	纯模仿学习成功率
1毫米	76%
0.25毫米	24%
0.05毫米	0%

在0.05毫米间隙下，不带触觉的“模仿学习＋强化学习”方案成功率为52%；加入触觉信息辅助的评论家和分组均衡采样后，成功率升至67%，提高15个百分点。研究还报告，峰值接触力降低60%，峰值扭矩降低44%。1910

有提升，但离稳定成功仍有距离

这组结果表明，当视觉难以单独判断接触状态时，触觉可以帮助学习型机器人更有效、更温和地完成插装。研究的重点并非简单地把触觉信号接入视觉策略，而是将分阶段学习、触觉辅助动作评估、基线校正和接触样本均衡采样结合起来。1

不过，最难的0.05毫米间隙下成功率为67%，意味着报告测试中仍有约三分之一未能成功。研究展示的是特定实验设置下的性能提升，而不是机器人已经能可靠完成所有超高精度插装任务。19