arXiv cs.AI· Klemens Iten, Alexander Proshkin, Bhavya Sukhija, Stelian Coros, Andreas Krause, Pieter Abbeel, Carmelo Sferrazza·· 3 天前AI 评分30
TacEx：触觉好奇心驱动机器人交互
Tactile Curiosity Drives Robot Interaction
AI 导读
研究团队提出 TacEx 框架，将触觉反馈引入基于认知不确定性的探索机制，通过按感官模态分解模型不确定性，把好奇心导向触觉通道。该方法让机器人在无任务奖励和专家演示下发现复杂接触动力学并学会抓取，其采集的交互密集数据集可支持离线学习 pick-and-place 策略，还能对预训练时未接触触觉的 VLA 模型进行后训练，显著提升下游性能且样本效率高。
正文 · AI 翻译
摘要：通过强化学习（RL）掌握机器人操作技能在很大程度上仍然样本效率低下。最常见的 RL 算法依赖随机动作采样来发现新策略，导致智能体将大部分训练预算用于自由空间中的运动，远离操作技能赖以产生的接触。现有的基于模型分歧或认知不确定性的内在动机方法改进了各向同性噪声，但它们也可能奖励功能上无关的转换中的不确定性，例如自由空间中的不稳定运动。在这项工作中，我们认为触觉反馈为探索提供了自然信号，并提出了 TacEx，一个将触觉纳入认知不确定性驱动探索的框架，通过分解跨感官模态的模型不确定性，将好奇心导向触觉通道。通过将好奇心锚定于触觉，TacEx 驱动机器人发现复杂的接触动力学，在探索过程中无需任务奖励或专家演示即可学会操作和抓取物体。通过这种触觉驱动的好奇心收集的交互密集数据集支持下游拾放策略的离线学习，而无需额外的环境交互。我们进一步使用触觉驱动探索来后训练视觉-语言-动作（VLA）模型。尽管 VLA 最初在没有触觉反馈的情况下预训练，但使用 TacEx 进行后训练可显著提升下游性能，同时保持极高的样本效率。
| 评论： | 17 页，6 幅图，1 张表。已被第十届机器人学习会议（CoRL 2026）接收，美国德克萨斯州奥斯汀。项目网站：此 https URL |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2609.40134 [cs.RO] |
| （或 arXiv:2609.40134v3 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.40134 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Klemens Iten [查看电子邮件]
[v1]
2026 年 9 月 30 日星期三 16:49:40 UTC（2,369 KB）
[v2]
2026 年 10 月 2 日星期五 17:17:25 UTC（2,291 KB）
[v3]
2026 年 10 月 13 日星期二 13:22:48 UTC（2,342 KB）
来源：arXiv cs.AI · arxiv.org