高精度装配中，紧密公差的插入任务是一项关键挑战。微小的位姿误差可能导致卡滞或过大的相互作用力，使得获得稳健且安全的插入策略极为困难。来自北京理工大学等机构的研究团队（作者：Xinpan Meng、Siyao Huang、JingPu Yang、Muyuan Ma、Zhenghua Ma、Lijun Han、Gao Yuan、Houcheng Li、Long Cheng）在2026年5月6日提交的一篇论文中，提出了一种触觉增强的两阶段方法，结合了模仿学习（IL）和强化学习（RL），以解决这一问题。
该方法分为两个阶段。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，能够抓取销钉并将其带到目标区域附近。该策略通过演示数据训练，使其能够适应不同的起始位置。第二阶段，强化学习执行插入动作，并在接触丰富的交互过程中实现故障恢复。RL智能体通过试错学习，在插入过程中不断调整动作，以避免卡滞。
为了充分利用触觉反馈，研究团队引入了两种创新技术。首先，触觉组采样在训练期间增加关键接触段的覆盖范围，确保模型对重要接触模式有足够的学习。其次，触觉评论家更准确地评估策略值，帮助RL智能体在保持低接触力的同时提高成功率。这些技术使得方法在多种孔几何形状和间隙设置下均有出色表现。
实验部分，研究者设计了五种孔几何形状（包括圆形、方形等）和三种间隙设置（0.05毫米、0.1毫米、0.2毫米）。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，同时将最大接触力降低了60%，扭矩降低了44%。与基线方法相比，性能显著提升，证明了该方法的有效性和安全性。
这项研究对精密制造领域具有重要意义，特别是对于电子设备组装、微型机械加工等需要高精度操作的场景。未来，该方法有望进一步优化，应用于更复杂的装配任务，推动自动化生产的发展。