视触觉扩散策略结合触觉动态预测用于机器人装配操作

论文提出一种视触觉扩散策略，用两个相机视角和两个指尖触觉图像的四步历史来条件生成动作序列，并通过循环时序表示整合两种模态的近期观测。为促使该表示捕捉接触随动作的变化，作者加入辅助目标，从时序表示和示范动作预测两步后的指尖图像变化，该目标只在训练时使用，不增加推理计算。在MuJoCo装配实验中，三个独立训练种子下完整模型平均成功率为59.0%±2.6%，比仅视觉基线（42.7%±1.5%）高16.3个百分点。论文共7页、2图，在ICCSSE 2026展示。