插零件入孔，看起來只是對準再推進；但間隙愈窄，少少位置偏差就可能令零件卡住，甚至施加過大接觸力。中國科學院自動化研究所團隊在論文 From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances 中，將視覺引導與觸覺輔助學習結合。在最嚴格的 0.05 毫米間隙測試中，系統成功率達 67%，高於沒有觸覺的比較方案，但仍未做到次次成功。19

先移到孔口，再學習怎樣插入

團隊沒有要求同一個控制策略由頭做到尾，而是把任務拆成兩階段。第一階段以 Diffusion Policy 模仿學習，處理隨機擺放的插銷抓取，以及把插銷移到孔位附近；第二階段則用 Soft Actor-Critic 強化學習，學習細緻插入，以及接觸不順時如何修正和恢復。1

這樣拆分，是因為「移到孔口」和「接觸後插進去」並非同一種難題。插銷一碰到孔邊，細微的對位誤差便可能改變接觸力，令零件卡住。強化學習階段讓機械人學習如何應對這些接觸情況，而非只重複示範過的動作。1

觸覺用來評估接觸，不等於每一步都由觸覺控制

研究採用非對稱 Actor–Critic 架構：Actor（行動策略）主要依賴視覺，Critic（評估器）則在學習時額外接收觸覺資訊，用來評估不同動作的表現。換言之，觸覺協助系統學習如何判斷接觸豐富的情況；不能因此理解成部署時的 Actor 每一步都直接以觸覺作為輸入。1

研究亦先記錄抓住插銷後、但尚未碰到孔位時的觸覺基準值，再把之後的讀數與基準值比較。這有助分辨插入時新增的力和扭矩，與抓握本身已造成的負載。1

此外，團隊按扭矩把訓練樣本分組，再以平衡方式抽樣。這令學習過程有更多機會接觸重要的接觸及失敗例子，避免這些情況在訓練資料中被較少抽到。1

間隙愈窄，純模仿學習愈難成功

研究使用七自由度 Franka Emika Panda 機械臂、裝在指尖的 PaXini PX-6AX GEN3 六軸觸覺感測器，以及腕部和全局視角的 Intel RealSense 相機。測試孔形包括方形、圓形、六角形、L 形和三角形；間隙分別為 1 毫米、0.25 毫米和 0.05 毫米。1

間隙	純模仿學習成功率
1 毫米	76%
0.25 毫米	24%
0.05 毫米	0%

在 0.05 毫米間隙下，模仿學習加強化學習、但不加入觸覺的方案，成功率為 52%；採用觸覺評估器和分組抽樣後則升至 67%，相差 15 個百分點。研究亦報告，峰值互動力減少 60%，峰值扭矩減少 44%。1910

有進步，但仍未代表每次都插得入

結果顯示，當單靠視覺難以判斷零件接觸情況時，觸覺可以幫助提升插入表現，並減輕接觸力度。這項方法不只是把觸覺訊號塞進視覺控制策略，而是結合分階段學習、以觸覺輔助評估動作、扣除抓握基準負載，以及平衡抽樣接觸經驗。1

不過，最嚴格測試的成功率是 67%，即大約三分之一嘗試仍未成功。研究展示的是指定測試設定下的改善，並不代表機械人已能可靠完成所有狹窄公差的插入任務。19

插零件入孔，看起來只是對準再推進；但間隙愈窄，少少位置偏差就可能令零件卡住，甚至施加過大接觸力。中國科學院自動化研究所團隊在論文 From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances 中，將視覺引導與觸覺輔助學習結合。在最嚴格的 0.05 毫米間隙測試中，系統成功率達 67%，高於沒有觸覺的比較方案，但仍未做到次次成功。19

先移到孔口，再學習怎樣插入

團隊沒有要求同一個控制策略由頭做到尾，而是把任務拆成兩階段。第一階段以 Diffusion Policy 模仿學習，處理隨機擺放的插銷抓取，以及把插銷移到孔位附近；第二階段則用 Soft Actor-Critic 強化學習，學習細緻插入，以及接觸不順時如何修正和恢復。1

這樣拆分，是因為「移到孔口」和「接觸後插進去」並非同一種難題。插銷一碰到孔邊，細微的對位誤差便可能改變接觸力，令零件卡住。強化學習階段讓機械人學習如何應對這些接觸情況，而非只重複示範過的動作。1

觸覺用來評估接觸，不等於每一步都由觸覺控制

研究採用非對稱 Actor–Critic 架構：Actor（行動策略）主要依賴視覺，Critic（評估器）則在學習時額外接收觸覺資訊，用來評估不同動作的表現。換言之，觸覺協助系統學習如何判斷接觸豐富的情況；不能因此理解成部署時的 Actor 每一步都直接以觸覺作為輸入。1

研究亦先記錄抓住插銷後、但尚未碰到孔位時的觸覺基準值，再把之後的讀數與基準值比較。這有助分辨插入時新增的力和扭矩，與抓握本身已造成的負載。1

此外，團隊按扭矩把訓練樣本分組，再以平衡方式抽樣。這令學習過程有更多機會接觸重要的接觸及失敗例子，避免這些情況在訓練資料中被較少抽到。1

間隙愈窄，純模仿學習愈難成功

研究使用七自由度 Franka Emika Panda 機械臂、裝在指尖的 PaXini PX-6AX GEN3 六軸觸覺感測器，以及腕部和全局視角的 Intel RealSense 相機。測試孔形包括方形、圓形、六角形、L 形和三角形；間隙分別為 1 毫米、0.25 毫米和 0.05 毫米。1

間隙	純模仿學習成功率
1 毫米	76%
0.25 毫米	24%
0.05 毫米	0%

在 0.05 毫米間隙下，模仿學習加強化學習、但不加入觸覺的方案，成功率為 52%；採用觸覺評估器和分組抽樣後則升至 67%，相差 15 個百分點。研究亦報告，峰值互動力減少 60%，峰值扭矩減少 44%。1910

有進步，但仍未代表每次都插得入

結果顯示，當單靠視覺難以判斷零件接觸情況時，觸覺可以幫助提升插入表現，並減輕接觸力度。這項方法不只是把觸覺訊號塞進視覺控制策略，而是結合分階段學習、以觸覺輔助評估動作、扣除抓握基準負載，以及平衡抽樣接觸經驗。1

不過，最嚴格測試的成功率是 67%，即大約三分之一嘗試仍未成功。研究展示的是指定測試設定下的改善，並不代表機械人已能可靠完成所有狹窄公差的插入任務。19