补充15%的轨迹，成功率提升36%——机器人摇操作的“四两拨千斤”

近期，相关研究团队提出了一套名为BRIDGE的机器人操作策略学习框架，旨在解决手持式数据采集与遥操作数据在接触式操作任务中的兼容性问题。该研究针对机器人操作中数据采集效率与数据质量难以兼得的困境，提出了一种门控专家路由方案，使策略模型在不同操作阶段自动选取合适的监督信号。

在机器人技能学习中，手持式采集设备（如通用操作接口）成本低、采集快，可在多种环境中大规模采集演示数据，但其记录的是末端执行器的实际运动轨迹（观察动作），而非机器人控制器实际执行的期望轨迹（期望动作）。在自由空间中，两者差异较小；但在接触式操作阶段——如插入销钉、按压弹簧或绕制橡胶圈时，实际位置与期望位置之间存在持续偏差，此时观察动作无法反映真实的操作意图。遥操作虽然可直接记录期望动作，但采集速度慢、操作者负担重，难以规模化。

研究团队发现，在接触式任务中，动作失效主要集中于少数关键阶段——销钉插入前的最后对齐、弹簧电池的按压就位、绕线时与滑轮接触的弧段——这些阶段虽在路径长度上占比不足15%，却是决定任务成败的核心环节。基于这一观察，团队提出了BRIDGE框架，采用混合专家扩散策略结构：基础专家使用大量手持数据训练，负责掌握任务的整体流程；辅助专家使用少量针对性遥操作数据训练，负责处理接触关键阶段；门控路由模块根据当前机器人状态自动判断应由哪位专家输出动作指令。

实验在NIST滑轮绕线、销钉插入和弹簧电池插入三项接触式操作任务上进行。结果表明，仅使用手持数据训练的基础策略成功率分别为44.0%、13.3%和10.0%；BRIDGE将这三项任务的成功率提升至76.0%、50.0%和33.3%，接近或达到使用全程遥操作数据训练的策略水平（84.0%、63.3%和40.0%），而所需的遥操作数据量仅为全程遥操作的15%至40%。该方法为接触式机器人操作的数据高效学习提供了可行的技术参考。

参考文献：Surendran, V., Peri, N., & Watkins, D. (2026).Bridging handheld and teleop‐erated supervision for contact-rich manipulation via state-gated experts[Technical report].

IMSTL01力反馈遥操手柄由上海惯师科技推出，整机集成6DOF追踪、夹爪连续控制、扳机力反馈单元、手柄震动反馈等，实现全场景真机遥操。原生兼容Windows、Ubuntu系统，适配人形单臂、双臂、灵巧手、夹爪等多种机器人形态，可同步采集带力觉的多模态数据，高效实现训练数据集规模化产出。

定位精准度3mm

数据延迟 ≤10ms

ADC12BIT

数据频率 100Hz

传输距离 8m

通信速率115200bps

续航时间 ≥6h