ForeTac：面向生成式机器人策略的预测性接触引导
ForeTac 提出“表示-预测-评估-引导”框架：编码当前触觉状态，以候选动作序列为条件预测未来触觉潜在轨迹，并用从成功/失败物理交互中学到的接触质量目标评估轨迹；推理时将该目标梯度经触觉预测器反传以引导动作生成，模型参数保持冻结。在平面擦拭、曲面擦拭、刷卡、易碎物抓取四项真实机器人任务上，配合扩散策略将平均任务成功率从36.3%提升至71.3%、平均接触成功率从20.0%提升至66.3%，流匹配策略下两项指标同样提升。
发布于 10-22 10:57来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《ForeTac: Predictive Contact Guidance for Generative Robot Policies》查看原链
arXiv:2610.18118v2 公告类型：替换 摘要：在接触密集型操作中，视觉上看似同样合理的动作可能产生不同的接触结果，而基于当前触觉反馈的反应式控制可能响应过晚，无法防止失败。 我们提出 ForeTac，一个以“表示-预测-评估-引导”循环组织的预测性接触引导框架。
ForeTac 编码当前触觉状态，以候选动作序列为条件预测未来触觉潜在轨迹，并用从成功与失败物理交互中学习到的接触质量目标评估每条预测轨迹。 推理时，该目标的梯度通过触觉预测器反向传播，在执行前引导动作生成，同时保持所有模型参数冻结。 我们在四个真实机器人任务（平面与曲面擦拭、刷卡、易碎物体抓取）上，用扩散策略和流匹配策略评估 ForeTac。
与仅使用视觉的 Diffusion Policy 相比，ForeTac 在这些任务上将平均任务成功率（SR）从 36.3% 提升至 71.3%，平均接触成功率（CSR）从 20.0% 提升至 66.3%，并在流匹配策略上两项指标均有提升。 组件分析支持学习到的触觉表示、动作条件前瞻以及生成时梯度引导，同时预测的触觉潜在轨迹保持了接触质量排序。
项目页面：https://foretac.github.io/。