知识卡片：Facet-0——面向接触丰富精密操作的机器人基础模型

一句话结论

Facet-0 是一个将动作生成与腕部力/力矩（wrench）预测联合起来的机器人基础模型；在 ManuFacet-1K 上训练并经过任务适配后，它在五种亚毫米计算机装配任务上达到 82% 的平均成功率，而最强基线只有 15%。

英文关键词

Robotic Foundation Model; Contact-Rich Manipulation; Precise Assembly; Action-Wrench; Flow Matching; RL Post-Training; ManuFacet-1K

事件概述或研究问题

真实世界的机器人装配往往面临亚毫米容差，要求系统同时具备空间精度、柔顺交互和对接触失败的鲁棒性。此前的机器人基础模型多侧重于视觉、语言与动作生成，而 Facet-0 将问题聚焦于“接触后果”：模型不仅要预测动作，还要预测并评估动作会引发什么样的接触效果。

方法/产品要点

• 将多模态表示学习和强化学习后训练统一在“动作-腕力/力矩联合预测”框架下。
• 因果腕力历史与视觉-语言语义、运动学状态对齐。
• 使用流匹配（flow matching）生成每个动作块，同时生成该动作预计引发的未来腕部力/力矩曲线。
• 利用部署中的轨迹数据训练分布式的 Action-Wrench Critic，以区分“任务进展相似但接触后果不同”的动作。
• 引入阶段感知奖励和接触选择性信用分配，使策略改进集中于决定性交互。
• 为适配不同零件的动力学，使用轻量级有界 Actor（bounded actor）复用冻结表示；强化学习仍定义在可执行的笛卡尔空间动作上，另设辅助腕力头保留预测性的动作-接触耦合。

主要结果或产业意义

• 训练数据：ManuFacet-1K，包含 1,000 小时力觉同步语料，覆盖三种机器人本体和多个制造单元。
• 任务表现：任务适配后的有界系统在五种亚毫米计算机装配任务上达到 82% 平均成功率；最强基线的平均成功率仅为 15%（基线名称未在摘要中说明，待核实）。
• 量化指标：放置精度 0.5 mm，命令延迟 50 ms。
• 产业意义：面向精密制造中的亚毫米装配场景，提供了从“视觉-语言大模型”延伸到“力觉-接触建模”的基础模型路径。

为什么重要

该工作的增量信号在于：机器人基础模型不一定只预测下一图帧或末端位姿，也可以把力/力矩等接触信号作为显式预测与价值评估对象。对接触丰富、需要容错的精密操作而言，“动作会带来什么接触后果”比单纯几何运动精度更关键。

与已有相关卡片相比，Facet-0 并非 DreamX-Phi 一类的视频未来预测模型，也不是 π0.7 一类的组合泛化展示，而是面向工业级亚毫米装配的“动作 + 接触力/力矩”联合基础模型；M⁴World 则属于驾驶领域，本条不与之重复。

局限与不确定性

• 本卡片仅基于 arXiv 摘要；论文中的详细架构、训练超参数和实验设置有待原文核实。
• 五种亚毫米计算机装配任务的具体内容未在摘要中列出，待核实。
• ManuFacet-1K 中三种机器人本体的具体型号、制造单元配置未在摘要中说明，待核实。
• “最强基线”的具体名称未给出，待核实。
• 0.5 mm 放置精度与 50 ms 命令延迟的测量条件和统计口径未在摘要中说明，待核实。
• 当前为 arXiv v1 预印本，未见同行评审信息，待核实。

可用于图书/PPT/简报的角度

• 从“动作预测”到“接触后果预测”：用 Facet-0 说明机器人在亚毫米装配中为何需要理解力/力矩。
• 基础模型的“触觉-力学”通道：除视觉和语言外，力觉历史也可以成为机器人基础模型的重要输入。
• 通用表示 + 轻量适配：冻结表征与有界 Actor 的搭配，可作为“基础模型下产线”的一种介绍案例。
• 数据资产视角：1,000 小时力觉同步语料、三种本体、多制造单元，可用于讨论机器人基础模型的数据门槛。

原始材料

• 英文标题：Facet-0: A Robotic Foundation Model for Contact-Rich Precise Manipulation
• 英文关键词：Robotic Foundation Model; Contact-Rich Manipulation; Precise Assembly; Action-Wrench; Flow Matching; RL Post-Training; ManuFacet-1K
• arXiv ID：2609.01596v1
• URL：https://arxiv.org/abs/2609.01596v1
• 作者：Haoyuan Deng, Haichao Liu, Wenkai Guo, Yuan Ling, Zaijia Yang, Yuanjiang Xue, Haosheng Sun, Liangzi Wang, Ziwei Wang
• 发布/更新时间：2026-09-01T17:58:07Z
• arXiv 分类：cs.RO, cs.LG