SimpleTouch: Can Vision-Language-Action Models Master Contact-Rich Manipulation Without Tactile Policy Pretraining?

📄 arXiv: 2610.02784v1 📥 PDF

作者: Chen Yang, Linzhe Shi, Changjie Wu, Hang Zhang, Ronghan Chen, Lingjun Zhang, Xu Hu, Mu Xu, Jiansheng Fan, Chen Wang

分类: cs.RO

发布日期: 2026-10-02

备注: 27 pages, 11 figures

💡 一句话要点

提出SimpleTouch以简化触觉策略预训练在接触丰富操控中的应用

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 触觉感知 视觉-语言-动作 机器人操控 多模态学习 单阶段训练

📋 核心要点

  1. 现有方法在将触觉信息融入VLA模型时面临困难，往往需要额外的预训练和对齐步骤。
  2. SimpleTouch通过引入触觉专家，利用冻结的触觉编码器进行单阶段训练，简化了训练流程。
  3. 在六个UniVTAC任务中，SimpleTouch的平均成功率达到77.5%，显著优于其他基线方法。

📝 摘要（中文）

触觉感知为机器人操控提供了重要的接触信息，但将其融入预训练的视觉-语言-动作（VLA）模型中仍然具有挑战性。现有方法通常依赖于大规模的触觉策略预训练或单独的视觉-触觉对齐，增加了数据需求和训练阶段。本文提出了SimpleTouch，这是一种简单的VLA扩展，通过引入触觉专家来测试额外阶段的必要性。SimpleTouch在仅使用任务演示的情况下，达到了在六个UniVTAC任务中最高的成功率，平均成功率为77.5%。这些结果表明，给定预训练的VLA和触觉表示，额外的触觉策略预训练并不是强大性能的前提，为接触丰富的操控提供了一条更简单的路径。

🔬 方法详解

问题定义：本文旨在解决如何有效地将触觉信息融入视觉-语言-动作（VLA）模型的问题。现有方法通常依赖于复杂的触觉策略预训练和视觉-触觉对齐，导致训练过程繁琐且数据需求高。

核心思路：论文提出的SimpleTouch通过引入触觉专家，利用冻结的触觉编码器进行单阶段训练，避免了额外的触觉策略预训练，旨在验证是否可以在不增加复杂性的情况下实现高效的操控。

技术框架：SimpleTouch的整体架构包括一个冻结的触觉编码器和一个触觉专家模块。触觉专家通过动作监督和多时间步的触觉潜变量预测进行训练，直接利用任务演示进行学习。

关键创新：最重要的创新在于通过单阶段训练实现了触觉信息的有效利用，避免了传统方法中的多阶段预训练和对齐过程，显著简化了模型的训练流程。

关键设计：在设计中，SimpleTouch使用了冻结的触觉编码器，触觉专家通过监督学习进行训练，且只需50个任务演示即可达到最佳性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在六个UniVTAC任务中，SimpleTouch的平均成功率达到77.5%，相比于FTP-$π_{0.5}$的45.2%和FTP-1的66.7%分别提升了32.3和10.8个百分点。在四个真实世界任务中，SimpleTouch的平均成功率为71.3%，超出FTP-1的8.8个百分点，显示出其优越的性能。

🎯 应用场景

该研究的潜在应用领域包括机器人抓取、装配和其他需要精确接触的操控任务。通过简化触觉策略的预训练过程，SimpleTouch为机器人在复杂环境中的自主操作提供了更高效的解决方案，具有广泛的实际价值和未来影响。

📄 摘要（原文）

Tactile sensing provides essential contact information for robotic manipulation, yet incorporating it into pretrained vision-language-action (VLA) models remains challenging. A common concern is that simply introducing touch during task-specific fine-tuning may fail to bridge the cross-modal gap, yielding limited gains or even reduced success. Consequently, existing methods often rely on large-scale tactile policy pretraining or separate visuotactile alignment, adding data requirements and training stages. We introduce SimpleTouch, a simple VLA extension that augments $π_{0.5}$ with a tactile expert, to test whether these additional stages are necessary. Leveraging all tokens from a frozen pretrained tactile encoder, the expert learns from action supervision and multi-horizon prediction of future tactile latents. This single-stage training uses only task demonstrations, without additional tactile policy pretraining or separate alignment. With 50 demonstrations per task, SimpleTouch achieves the highest success rate among evaluated methods on all six UniVTAC tasks. Its average success rate reaches 77.5%, compared with 45.2% for FTP-$π_{0.5}$ and 66.7% for FTP-1, corresponding to gains of 32.3 and 10.8 percentage points, respectively. Across four real-world tasks, it averages 71.3%, exceeding FTP-1 by 8.8 percentage points. These results demonstrate that, given pretrained VLA and tactile representations, additional tactile policy pretraining is not a prerequisite for strong performance on these tasks, offering a simpler route to contact-rich manipulation. Project page: https://simpletouch-robot.github.io/