高精度裝配中，緊密公差的插入任務是一項關鍵挑戰。微小的位姿誤差可能導致卡滯或過大的相互作用力，使得獲得穩健且安全的插入策略極為困難。來自北京理工大學等機構的研究團隊（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日提交的一篇論文中，提出了一種觸覺增強的兩階段方法，結合了模仿學習（IL）和強化學習（RL），以解決這一問題。
該方法分為兩個階段。第一階段，模仿學習學習一個具有位置泛化能力的接近策略，能夠抓取銷釘並將其帶到目標區域附近。該策略通過演示數據訓練，使其能夠適應不同的起始位置。第二階段，強化學習執行插入動作，並在接觸豐富的交互過程中實現故障恢復。RL智能體通過試錯學習，在插入過程中不斷調整動作，以避免卡滯。
為了充分利用觸覺反饋，研究團隊引入了兩種創新技術。首先，觸覺組採樣在訓練期間增加關鍵接觸段的覆蓋範圍，確保模型對重要接觸模式有足夠的學習。其次，觸覺評論家更準確地評估策略值，幫助RL智能體在保持低接觸力的同時提高成功率。這些技術使得方法在多種孔幾何形狀和間隙設置下均有出色表現。
實驗部分，研究者設計了五種孔幾何形狀（包括圓形、方形等）和三種間隙設置（0.05毫米、0.1毫米、0.2毫米）。在最具挑戰性的0.05毫米間隙下，該方法實現了67%的成功率，同時將最大接觸力降低了60%，扭矩降低了44%。與基線方法相比，性能顯著提升，證明了該方法的有效性和安全性。
這項研究對精密製造領域具有重要意義，特別是對於電子設備組裝、微型機械加工等需要高精度操作的場景。未來，該方法有望進一步優化，應用於更復雜的裝配任務，推動自動化生產的發展。