面向接触密集型任务的机器人新范式：结合视觉与触觉的反应扩散策略（RDP）

在机器人日益走向实际应用的今天，如何让机器像人类一样“有感觉”地完成复杂任务，成为一个关键技术挑战。特别是在诸如剥蔬菜皮、装配、双手搬运等接触密集型任务中，人类凭借视觉和触觉的高度协同，能够在极短时间内调整动作、精确控制接触力，实现高效且精细的操作。然而，传统的机器人学习方法，在这一类任务中常常表现不佳。

近日，一项名为**“反应扩散策略”（Reactive Diffusion Policy, RDP）**的研究提出了新的解决方案，通过结合视觉与触觉反馈，实现机器人对复杂接触任务的高效学习与精准执行。该研究通过两个关键创新——低成本遥操作系统 Tecter 和分层模仿学习算法 RDP，显著提升了机器人在接触密集型任务中的表现。

机器人为何难以胜任接触任务？

目前主流的机器人模仿学习方法多依赖视觉，例如Diffusion Policy（扩散策略）。这类方法虽能处理复杂动作，但通常采用“开环控制”方式——即按预定轨迹执行动作，缺乏实时反馈调节机制。因此在任务执行过程中，面对环境中不可预知的微小变化，机器人往往无法及时调整动作，导致失败。

此外，大多数遥操作平台也难以提供足够精细的触觉反馈，使得收集的训练数据缺乏触觉维度的信息，限制了机器人对真实环境的感知与应对能力。

Tecter —— 基于AR的低成本遥操作系统

为解决上述瓶颈，研究者设计了Tecter，一个基于增强现实（AR）的遥操作系统。该系统采用低成本触觉力传感器，结合AR视觉增强技术，使操作人员在遥控机器人时能够实时“感受到”机器人所承受的接触力。这一系统具有如下优势：

• 实时触觉合力反馈，增强数据真实性；
• 跨机器人平台部署能力，灵活适配不同机器人硬件；
• 显著提升数据采集质量，为模仿学习提供高质量数据支持。
  
  

用户研究表明，使用Tecter系统采集的数据不仅更加真实准确，而且操作人员的操控体验也大幅提升。

RDP —— 分层的视觉触觉模仿学习算法

在算法方面，研究提出了名为Reactive Diffusion Policy（RDP）的新型模仿学习框架，融合视觉和触觉信息，实现更自然、精准的动作生成。RDP采用慢-快结合的分层策略网络，包括以下两个子模块：

• 慢策略网络（Latent Diffusion Policy, LDP）：以1~2Hz的频率生成抽象动作表示，专注于建模复杂长期行为；
• 快策略网络（Asymmetric Tokenize Attention）：以高频20Hz实时响应触觉变化，根据触觉反馈细调动作，实现闭环控制。
  
  

这种结构使RDP既能应对长时间跨度的复杂操作，又能在瞬间变化中快速调整，具备高度灵活性和鲁棒性。、