InsertAnything: Generalizable Contact-Rich Precision Insertion from Simulation to Reality
作者: Zhenghua Ma, Xinpan Meng, Zeyu Liu, Muyuan Ma, Hengdi Zhang, Houcheng Li, Long Cheng
分类: cs.RO
发布日期: 2026-09-21
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
提出一种强化学习框架以解决接触丰富的精确插入问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 机器人组装 强化学习 精确插入 模拟训练 力反馈 策略迁移 自动化
📋 核心要点
- 现有方法在接触丰富的精确插入任务中面临对齐误差和碰撞问题，难以在真实环境中有效部署。
- 本文提出的框架通过模拟训练插入策略，结合三维力反馈，实现了对齐和插入过程的协调。
- 实验结果显示，系统在ManipulationNet的基准测试中取得了完美的20/20分，并在八个未见的真实插入任务中成功率达到95.0%。
📝 摘要（中文）
接触丰富的精确插入是机器人组装中的关键操作技能。由于间隙紧密，插入过程对对齐误差敏感，容易发生碰撞和卡滞。本文提出了一种强化学习框架，能够在模拟环境中训练插入策略，并可直接在现实中部署，无需真实世界的演示或策略微调。通过结合目标姿态与紧凑的三维指尖力反馈，策略能够在估计孔位置出现误差的情况下，学习搜索对齐并纠正运动。实验结果表明，该系统在多个孔几何形状下实现了成功插入，成功率高达95.0%。
🔬 方法详解
问题定义：本文旨在解决机器人在接触丰富的精确插入任务中，由于间隙紧密导致的对齐误差和碰撞问题。现有方法通常依赖于真实环境中的演示，难以有效迁移到新任务。
核心思路：论文提出了一种完全在模拟环境中训练的强化学习框架，能够直接在现实中部署。通过结合目标姿态与三维指尖力反馈，策略能够在面对孔位置估计误差时进行自我调整。
技术框架：整体架构包括模拟环境中的策略训练、目标姿态与力反馈的结合、以及奖励机制的设计。主要模块包括对齐搜索、运动纠正和奖励协调。
关键创新：最重要的创新在于实现了在完全模拟环境中训练的插入策略，能够在多种孔几何形状下进行有效的插入，且无需额外的微调。
关键设计：设计中采用了去耦的门控奖励机制来协调对齐与插入过程，力信号平滑和状态无关的标准差设置则稳定了学习过程。
🖼️ 关键图片
📊 实验亮点
实验结果显示，该系统在ManipulationNet的基准测试中取得了完美的20/20分，且在八个未见的真实插入任务中，单一策略的成功率高达95.0%。这些结果表明，完全在模拟中学习的策略能够有效迁移到现实任务中。
🎯 应用场景
该研究的潜在应用领域包括机器人自动化组装、制造业中的精密插入任务以及服务机器人在复杂环境中的操作。其直接部署的能力将大幅提升机器人在现实世界中的适应性和效率，具有重要的实际价值和未来影响。
📄 摘要（原文）
Contact-rich precision insertion is a key manipulation skill in robotic assembly. Tight clearances make insertion more sensitive to alignment errors and prone to collisions and jamming, while variations in geometry and clearance across parts further complicate policy reuse. We present a reinforcement learning framework that trains insertion policies entirely in simulation for direct deployment without real-world demonstrations or policy fine-tuning. By combining target poses with compact three-dimensional fingertip force feedback, the policy learns to search for alignment and correct its motion despite errors in the estimated hole position. A decoupled gated reward coordinates alignment and insertion. Force-signal smoothing and state-independent standard deviations stabilize the learning process. The resulting policies perform real-world insertion across multiple hole geometries with a minimum nominal clearance of 0.02 mm and improve success while reducing peak contact forces under hole-position errors. Cross-clearance and cross-geometry evaluations further confirm policy generalization. The system achieved the first perfect score of 20/20 on ManipulationNet's peg-in-hole benchmark under its Human-in-the-Loop protocol, with fully autonomous insertion motions. A single policy trained only on a simulated hexagonal insertion task achieved an overall success rate of 95.0% across eight unseen real-world insertion tasks. These results show that learning entirely in simulation can yield precision insertion skills that can be deployed directly and reused across real-world tasks. The project website (https://mzhsoul.github.io/InsertAnything/) provides open-source simulation and real-robot experiment scripts, assets, and trained checkpoints.