Facet-0: A Robotic Foundation Model for Contact-Rich Precise Manipulation
作者: Haoyuan Deng, Haichao Liu, Wenkai Guo, Yuan Ling, Zaijia Yang, Yuanjiang Xue, Haosheng Sun, Liangzi Wang, Ziwei Wang
分类: cs.RO, cs.LG
发布日期: 2026-09-01
备注: Project page: https://pine-lab-ntu.github.io/facet-0/
💡 一句话要点
提出Facet-0以解决机器人精确操作中的接触问题
🎯 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) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 机器人操作 精确组装 多模态学习 强化学习 接触预测 工业自动化 智能制造
📋 核心要点
- 现有机器人组装方法在处理接触时缺乏足够的空间精度和鲁棒性，导致任务成功率低。
- Facet-0通过结合多模态表示学习和强化学习，预测动作的接触后果，从而提升机器人操作的精确性和适应性。
- 在ManuFacet-1K数据集上，Facet-0在亚毫米级组装任务中达到了82%的成功率，相较于基线提升显著。
📝 摘要（中文）
在现实世界中，机器人组装需要亚毫米级的空间精度、顺应性互动和对接触失败的鲁棒性。本文提出Facet-0，一个机器人基础模型，能够预测和评估其动作的接触后果。Facet-0将多模态表示学习与强化学习后训练统一在一个联合动作-扭矩提案上：因果扭矩历史与视觉-语言语义和运动学状态对齐，流匹配生成每个动作块及其预期引发的未来腕部扭矩特征。通过部署回放训练分布式动作-扭矩评论员，区分相似任务进展但接触结果不同的动作，同时阶段感知奖励和接触选择性信用集中政策改进于关键互动。经过在ManuFacet-1K数据集上的训练，该系统在五个亚毫米级计算组装任务中达到了82%的平均成功率，显著优于最强基线的15%。
🔬 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操作中面临的挑战，现有方法在空间精度和接触鲁棒性方面存在不足，导致组装任务的成功率低下。
核心思路：Facet-0的核心思路是通过联合动作-扭矩提案，结合多模态表示学习和强化学习，来预测和评估动作的接触后果，从而提升机器人的操作精度和适应性。
技术框架：Facet-0的整体架构包括多个模块：首先，通过因果扭矩历史与视觉-语言语义对齐，生成动作块；其次，流匹配用于生成预期的腕部扭矩特征；最后，部署回放训练分布式动作-扭矩评论员以优化策略。
关键创新：Facet-0的主要创新在于其将多模态学习与强化学习有效结合，能够在接触结果不同的情况下区分相似的动作进展，这一设计显著提升了机器人的操作能力。
关键设计：在模型设计中，采用了轻量级的有界演员网络，重用冻结的表示以适应特定部件的动态；同时，强化学习仍然定义在可执行的笛卡尔动作上，辅助扭矩头则保留了预测的非指令性动作-接触耦合。具体的损失函数和参数设置在训练过程中进行了优化，以确保模型的高效性和准确性。
🖼️ 关键图片
📊 实验亮点
在五个亚毫米级计算组装任务中，Facet-0达到了82%的平均成功率，相较于最强基线的15%有显著提升，且具备0.5毫米的放置精度和50毫秒的指令延迟，展示了其在精确操作中的卓越性能。
🎯 应用场景
Facet-0的研究成果在工业自动化、精密制造和机器人组装等领域具有广泛的应用潜力。其高精度的接触预测能力能够显著提升机器人在复杂环境中的操作效率，未来可能推动智能制造和自主机器人技术的发展。
📄 摘要（原文）
Real-world robotic assembly at sub-millimeter tolerances demands spatial precision, compliant interaction, and robustness to contact failures. We present Facet-0, a robotic foundation model that predicts and values the contact consequences of its actions. Facet-0 unifies multimodal representation learning and reinforcement learning (RL) post-training around a joint action-wrench proposal: a causal wrench history is aligned with vision-language semantics and kinematic state, and flow matching generates each action chunk together with the future wrist-wrench profile it is expected to induce. Deployment rollouts train a distributional Action-Wrench Critic to distinguish motions with similar task progress but different contact outcomes, while phase-aware rewards and contact-selective credit concentrate policy improvement on decisive interactions. To accommodate part-specific dynamics, a lightweight bounded actor reuses the frozen representation for on-robot adaptation; RL remains defined over executable Cartesian actions, while an auxiliary wrench head preserves predictive, non-commanded action-contact coupling. Trained on ManuFacet-1K, a 1,000-hour force-synchronized corpus spanning three embodiments and multiple manufacturing cells, the bounded task-adapted system reaches 82% mean success on five sub-millimeter computer-assembly tasks, compared with 15% for the strongest baseline, with 0.5 mm placement accuracy and 50 ms command latency.