SimpleTouch: VLA-Erweiterung meistert kontaktintensive Manipulation ohne taktiles Policy-Vortraining
SimpleTouch ist ein Preprint, der das VLA-Modell π0.5 um einen taktilen Experten erweitert und nur aufgabenspezifische Demonstrationen nutzt. In sechs UniVTAC-Aufgaben erreicht der Ansatz 77,5 % mittlere Erfolgsrate und übertrifft das taktil vorab trainierte FTP-1 um 10,8 Prozentpunkte, auf vier realen Roboteraufgaben um 8,8 Punkte. Das zeigt, dass zusätzliche taktile Policy-Vortrainierung oder separate visuotaktile Alignmentschritte nicht zwingend erforderlich sind.
Gegeben ein vortrainiertes VLA-Modell und ein vortrainierter taktiler Encoder, kann eine Policy kontaktintensive Manipulation aus aufgabenspezifischen taktilen Demonstrationen lernen, ohne zusätzliches taktiles Policy-Vortraining oder eine separate visuotaktile Alignmentstufe?
Taktile Beobachtungen liegen außerhalb der Vortrainingsmodalitäten vieler VLA-Backbones. Das direkte Einführen von Touch beim Feintuning führt oft zu begrenzten oder sogar negativen Effekten, und bestehende Verfahren benötigen großskaliges taktiles Policy-Vortraining oder separate visuotaktile Ausrichtung, was Datenaufwand und Trainingsstufen erhöht.
Repräsentative bisherige Ansätze sind großskaliges taktiles Policy-Vortraining wie FTP-1, separate visuotaktile Repräsentationsangleichung wie VITaL und die Injektion tokenisierter Berührungen in ein vortrainiertes Vision-Language-Backbone wie Tactile-VLA. Diese Verfahren frontladen Ressourcen vor das aufgabenspezifische Lernen oder verändern die vortrainierte Repräsentation; einfaches Hinzufügen taktiler Eingaben beim Feintuning verbessert die Erfolgsrate nicht konsistent.
SimpleTouch erweitert π0.5 um einen taktilen Experten mit derselben Transformer-Architektur wie der Action-Experte, aber unabhängigen Parametern. Ein eingefrorener, vortrainierter T3-Encoder liefert alle aktuellen taktilen Tokens inklusive globaler und räumlicher Merkmale; der taktile Experte verarbeitet sie separat und stellt dem Action-Experten layerweise Key-Value-Caches bereit. Trainiert wird einstufig mit Aktionsaufsicht und Multi-Horizont-Vorhersage künftiger taktiler Latents über Latent Flow Matching, wobei künftige Touch-Vorhersagen nur als Trainingssignal dienen. Gemeinsam optimiert werden das π0.5-Backbone, der Action-Experte und der taktile Experte; der taktile Encoder bleibt eingefroren. In der realen Evaluierung kommt die PiPER-Plattform zum Einsatz.
Auf UniVTAC werden sechs Aufgaben mit 50 Demonstrationen pro Aufgabe trainiert und je 100 Episoden evaluiert. SimpleTouch erreicht 77,5 % mittlere Erfolgsrate, verglichen mit 45,2 % für FTP-π0.5 und 66,7 % für FTP-1; das sind 32,3 bzw. 10,8 Prozentpunkte Vorsprung. Es führt in allen sechs Aufgaben: Lift Bottle 100 %, Pull-out Key 62 %, Lift Can 68 %, Put Bottle 50 %, Insert Hole 85 %, Insert Tube 100 %. Ohne die visuell dominierten Lift-Aufgaben liegt SimpleTouch bei 74,3 % gegenüber 59,5 % für FTP-1. Auf vier realen Roboteraufgaben mit je 20 Episoden erreicht SimpleTouch im Mittel 71,3 % und übertrifft FTP-1 (62,5 %) um 8,8 Punkte; die Einzelwerte sind Play Mahjong 100 %, Wipe Board 85 %, Pick Up Chips 70 %, Insert USB 30 %. Weitere Baselines in Simulation sind ACT 30,3 %, π0.5 46,3 %, VITaL 36,3 %, UniVTAC-ACT 42,8 % und Tactile-VLA 41,8 %. In der Ablationsstudie über vier Aufgaben erreicht SimpleTouch mit allen 197 taktilen Tokens 74,3 %, mit nur CLS-Token 57,5 % und ohne Touch 39,0 %; ein trainierbarer T3 erreicht 70,5 %, ein visueller VAE-Encoder 67,8 %. Multi-Horizont-Vorhersage bringt 74,3 % gegenüber 68,8 % ohne Vorhersage und 68,5 % bei Single-Horizont. Bei 10 Demonstrationen erreicht SimpleTouch 23 % auf Put Bottle und 43 % auf Insert Hole, FTP-π0.5 5 % und 14 %; bei 20 Demonstrationen 38 % und 57 % gegenüber 19 % und 47 %. Die Fast-Inferenz erreicht 0,623 s gegenüber 1,020 s für Joint und 1,463 s für IDM, bei 74,3 %, 70,3 % und 67,3 % Erfolgsrate.
Das Paper ist ein Preprint ohne dokumentierte Begutachtung. Die reale Evaluierung beschränkt sich auf eine PiPER-Plattform und vier Aufgaben, mit 20 Episoden pro Aufgabe; Insert USB bleibt mit maximal 30 % bei SimpleTouch und FTP-1 schwierig. Die Daten-Effizienz-Ergebnisse sind bei größeren Budgets nicht monoton, und die Autoren leiten daraus keine allgemeine Skalierungsgesetzmäßigkeit ab. Im Paper nicht berichtet: Code-Verfügbarkeit, Tests auf weiteren Roboter- oder Sensorplattformen sowie Langzeitrobustheit.
Unternehmen, die π0.5-basierte Manipulationslösungen oder taktile Sensorik anbieten, können SimpleTouch als taktile Nachrüstung für kontaktintensive Aufgaben wie Montage, Steckverbindungen oder Haushaltsmanipulation nutzen. Innerhalb von 1 bis 3 Jahren ist der Einsatz in Labor- und Pilotanlagen denkbar, sofern ein vortrainierter taktiler Encoder wie T3 und 50 aufgabenspezifische Demonstrationen je Aufgabe verfügbar sind. Für breitere Industriereife müssen Validierung auf weiteren Robotern, Sensoren und Aufgaben sowie Sicherheits- und Wiederholbarkeitsnachweise erbracht werden.
Der Volltext wird hier nicht wiedergegeben, weil die Lizenz der Studie das nicht erlaubt. Das Original steht auf arXiv.