💻 computer science

CoRMA: Contrastive RMA for Contact-Rich Meta-Adaptation

CoRMA is een contextgebaseerd meta-adaptatiekader dat krachtdominante robotische assemblage verbetert door ruwe simulatorparameteraanpassing te vervangen door een online afgeleide 6D semantische contactcontext, waardoor robuuste implementatie in de echte wereld mogelijk wordt zonder demonstraties of gradiëntupdates.

Oorspronkelijke auteurs: Wentian Wang, Chutong Wen, Hongxu Ma, Wuhao Wang, Zhexiong Xue, Abdul Haseeb Nizamani, Dandi Zhou, Xinhai Sun, Jianqiao Zhu

Gepubliceerd 2026-05-22

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Wentian Wang, Chutong Wen, Hongxu Ma, Wuhao Wang, Zhexiong Xue, Abdul Haseeb Nizamani, Dandi Zhou, Xinhai Sun, Jianqiao Zhu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een robot leert om delicate assemblage taken uit te voeren, zoals het schroeven van een moer op een bout, het plaatsen van een tandwiel in een machine, of het duwen van een pen in een gat. Deze taken zijn lastig omdat ze sterk afhankelijk zijn van aanraking en kracht. Als de robot te hard duwt, blijft hij steken; als hij te losjes werkt, mist hij het gat.

Het artikel introduceert een nieuw systeem genaamd CoRMA (Contrastive Robotic Motor Adaptation) om robots beter te maken in deze taken wanneer ze van een perfecte computersimulatie naar de rommelige, onvoorspelbare echte wereld verplaatsen.

Hier is hoe het werkt, opgesplitst in eenvoudige concepten en analogieën:

1. Het Probleem: De "Videospel" versus de "Echte Wereld"

Stel je voor dat je een robot traint in een simulator als het spelen van een videospel op "Makkelijke Stand". De fysica is perfect en de robot weet precies waar alles zich bevindt. In dit spel leert de robot onderdelen perfect in elkaar te zetten.

Maar wanneer je die robot uit het spel haalt en in een echte fabriek plaatst (de "Moeilijke Stand"), gaan dingen kapot. De echte wereld heeft wrijving, wiebelende onderdelen en sensoren die niet perfect zijn. Een robot die alleen is getraind op de "Makkelijke Stand" faalt vaak direct in de echte wereld, omdat hij niet weet hoe hij het gevoel van aanrakende onderdelen moet interpreteren.

2. De Oude Manier: "Cheaten" met een Spiekbriefje

Eerdere methoden (zoals de FORGE-methode die in het artikel wordt genoemd) probeerden dit op te lossen door de robot tijdens het trainen een "spiekbriefje" te geven. Het spiekbriefje vertelde de robot precies wat de simulatieparameters waren (bijvoorbeeld: "De wrijving is 0,5", "Het gat zit 2mm verkeerd").

Het probleem? In de echte wereld heeft de robot dit spiekbriefje niet. Hij heeft alleen zijn eigen sensoren (kracht- en bewegingsdata). Dus, wanneer het spiekbriefje wordt weggegooid, raakt de robot in de war en faalt hij.

3. De Nieuwe Manier: CoRMA's "Vertaler"

CoRMA verandert het spel. In plaats van de robot een spiekbriefje met ruwe cijfers te geven, leert het de robot het verhaal van het contact te begrijpen.

Stel je voor dat de robot een detective is die probeert uit te zoeken wat er gebeurt, puur door de trillingen in zijn hand te voelen. CoRMA leert de robot om die ruwe trillingen te vertalen naar een simpel "verhaal" met zes belangrijke plotpunten:

Hebben we net contact gemaakt? (Contactaanvang)
Glijden we zijwaarts? (Laterale betrokkenheid)
Worden we naar de juiste positie geleid? (Geleide overgang)
In welke richting duwen we? (Contactrichting)
Zitten we vast? (Vastlopen)

4. Hoe Het Loopt: De "Leraar" en de "Leerling"

Het systeem gebruikt een trainingsproces in twee stappen, zoals een meesterkok die een leerling onderwijst:

Stap 1: De Leraar (In Simulatie): Een "Leraar"-robot wordt getraind in de perfecte simulator. Hij heeft toegang tot het spiekbriefje (het exacte 6D "verhaal" van het contact). Hij leert hoe hij de onderdelen perfect in elkaar zet met behulp van deze kennis.
Stap 2: De Leerling (De Adapter): Een tweede deel van het systeem, de Adapter, fungeert als vertaler. Hij kijkt naar de Leraar en probeert het "verhaal" (de 6D context) te raden alleen door naar de ruwe sensordata (kracht en beweging) te kijken, net zoals de echte robot dat later moet doen.
- Om de vertaler beter te maken, gebruikt het artikel een speciale techniek genaamd Contrastive Learning. Stel je voor dat je de vertaler twee verschillende video's laat zien: één waarin de robot soepel glijdt en één waarin hij vastloopt. Het systeem leert de vertaler: "Deze twee voelen anders, dus ze moeten tot verschillende categorieën behoren." Dit helpt de robot om vergelijkbare "gevoelens" samen te groeperen, zelfs als de taken er anders uitzien.

5. Het Resultaat: Aanpassen op de Vliegvlieg

Zodra de training klaar is, wordt het "spiekbriefje" weggegooid. De echte robot wordt ingezet.

Terwijl de robot beweegt, leest de Adapter direct de krachtsensoren en zegt: "Ah, ik voel alsof we in de fase 'Geleide Glijding' zitten," of "Oh nee, we zitten 'Vast'!"
De robot gebruikt dit directe inzicht om zijn bewegingen direct aan te passen, zonder te hoeven stoppen, een test te doen of hulp te vragen.

6. Werkte Het?

De onderzoekers testten dit op drie taken:

PegInsert: Een pen in een gat plaatsen.
GearMesh: Tandwielen in elkaar passen.
NutThread: Een moer op een bout schroeven.

De Resultaten:

De oude methode (FORGE) was geweldig in de simulatie (bijna 100% succes), maar faalde erbarmelijk in de echte wereld (dalend tot zo laag als 0% succes op sommige taken).
CoRMA was iets minder perfect in de simulatie, maar toen het naar de echte robot werd verplaatst, behield het zijn succespercentage veel hoger. Bijvoorbeeld, op de "NutThread"-taak faalde de oude methode elke keer, terwijl CoRMA ongeveer 60% van de tijd slaagde.

Samenvatting

CoRMA is als het leren van een robot niet alleen hoe te bewegen, maar hoe te voelen wat er gebeurt. In plaats van te vertrouwen op perfecte computergegevens die in de echte wereld niet bestaan, leert het de robot de "taal van aanraking" (kracht en wrijving) te interpreteren, zodat het direct kan aanpassen wanneer er iets misgaat. Dit stelt de robot in staat om van de videospel naar de echte fabrieksvloer te verplaatsen zonder zijn vaardigheden te verliezen.

Technische Samenvatting: CoRMA (Contrastive Robotic Motor Adaptation)

Probleemstelling

Robuuste robotische assemblage met veel contact (bijv. PegInsert, NutThread, GearMesh) blijft een aanzienlijke uitdaging vanwege de gevoeligheid van deze taken voor geometrische mismatches, wrijving, compliance en sensorruis. In tegenstelling tot manipulatie in vrije ruimte kunnen kleine afwijkingen leiden tot vastlopen of onomkeerbare fouten. Hoewel recente sim-naar-real-systemen zoals FORGE robuustheid in simulatie tonen, degraderen ze vaak aanzienlijk bij implementatie op hardware. Bestaande benaderingen vertrouwen doorgaans op taakspecifieke training, pipelines vol met demonstraties (imitatieleren) of klassieke adaptieve regeling die herhaalde kalibratie vereist voor nieuwe opstellingen. Bovendien zijn standaard meta-leerframeworks zoals Rapid Motor Adaptation (RMA) vaak ontworpen voor visuele of objectgerichte aanwijzingen, terwijl assemblage met veel contact het interpreteren van kracht- en proprioceptieve geschiedenissen vereist om interactiestatussen te begrijpen (bijv. vrije beweging versus vastlopen).

Methodologie

CoRMA (Contrastive Robotic Motor Adaptation) stelt een context-gebaseerd meta-adaptatieframework voor dat is toegespitst op krachtgedomineerde assemblage. Het modificeert het standaard RMA-paradigma door ruwe simulatorparameter-adaptatie te vervangen door een compacte, semantische contactcontext. Het framework werkt in drie fasen:

1. Definitie van Semantische Contactcontext

In plaats van ruwe simulatorparameters te gebruiken als bevoorrechte informatie, definieert CoRMA een 6D Privileged $Z$ latente variabele ( $z_t$ ) die de semantische interpretatie van contactdynamiek vertegenwoordigt. Deze vector omvat:

Aanvang van contact
Zijdelingse ingrijping
Geleide contactovergang
Contactrichting (langs twee assen)
Neiging tot vastlopen of stick-slip

Deze scores worden berekend uit simulatorcontact- en krachtdynamiek en dienen als supervisie doelen tijdens training, maar zijn niet beschikbaar tijdens implementatie.

2. Trainingspipeline

Fase 1 (Bevoorrechte Leraar): Een contactbewust beleid wordt getraind in simulatie (Isaac Lab) met PPO. De observatieruimte wordt uitgebreid met de orakel-gebaseerde Privileged $Z$ , waardoor de leraar optimale gedragingen kan leren die zijn voorwaardelijk aan perfecte semantische kennis van de contactstatus.
Fase 2 (Adaptertraining): Een causale Transformer-adapter wordt getraind om de Privileged $Z$ $Z$ ( $\hat{z}_t$ $\overset{z}{^}_{t}$ ) uitsluitend af te leiden uit implementeerbare sensorgeschiedenissen (kracht, proprioceptie en actie). De adapterarchitectuur omvat:
- Semantische Head: Voert regressie uit om de 6D $Z$ -vector te voorspellen ( $L_{sem}$ ).
- Contrastieve Head: Gebruikt een auxiliaire InfoNCE-doelstelling ( $L_{nce}$ ) om geschiedenisembeddings te organiseren op basis van grove krachtregimes (vrije beweging, eerste contact, geleid glijden, vastlopen). Dit fungeert als een semantische regularisator, waardoor geschiedenissen met vergelijkbare interactiesemantiek samenklonteren, zelfs over verschillende taken heen.
Fase 3 (Implementatie): De orakel $Z$ wordt uit het beleid verwijderd. De bevroren adapter voorspelt $\hat{z}_t$ online vanuit sensorgeschiedenis, wat wordt geïnjecteerd in het beleid. Dit maakt adaptatie mogelijk zonder demonstraties, bevoorrechte invoer of gradientupdates tijdens de testfase.

3. Architectuur

De kern van CoRMA is een causale Transformer-encoder die vensters van geschiedenis verwerkt van kracht, proprioceptie en acties. Het maakt gebruik van een geleerd readout-token om de contextrepresentatie te genereren. Het gebruik van een Transformer wordt benadrukt als een dominante factor ten opzichte van standaard Conv1D-encoders die in eerdere RMA-varianten werden gebruikt, waardoor het model lange-horizon afhankelijkheden en spaarzame krachtransiënten kan vastleggen.

Belangrijkste Bijdragen

Semantische Contactadaptatie: CoRMA verschuift het adaptatiedoel van ruwe simulatorparameters naar een compacte, herbruikbare semantische contactvocabulaire (6D $Z$ ) die interactieregimes beschrijft in plaats van specifieke taakgeometrieën.
Contrastief Leren op Krachtregimes: De introductie van een contrastieve doelstelling gebaseerd op krachtregimes (vrij, contact, glijden, vastlopen) dient als een zwakke semantische regularisator. Dit helpt de latente ruimte te structureren om interactietypen te onderscheiden, waardoor de robuustheid van de contextinferentie verbetert.
Niet-bedrieglijke Implementatie-interface: Het systeem houdt zich aan het RMA-principe waarbij bevoorrechte informatie uitsluitend wordt gebruikt voor trainingssupervisie. Tijdens implementatie past de robot online aan met uitsluitend aan boord aanwezige kracht- en proprioceptieve data, en leidt de benodigde contactcontext af om real-world onzekerheden het hoofd te bieden.
Causale Transformer-adapter: De implementatie toont aan dat een causale Transformer superieur is aan convolutie-encoders voor het afleiden van contactsemantiek uit lange-horizon krachthistorieën.

Experimentele Resultaten

De auteurs evalueerden CoRMA op drie taken (PegInsert, GearMesh, NutThread) in Isaac Lab/Isaac Sim 5.0 en op een echte 7-DoF Marvin-arm.

Kloof tussen Simulatie en Realiteit: Sterke baselines (FORGE) bereikten een bijna perfecte simulatiesucces (98–100%) maar leden aan drastische prestatiedalingen bij implementatie in de realiteit (bijv. FORGE daalde naar 12,5% op PegInsert en 0% op NutThread).
CoRMA-prestaties: Hoewel CoRMA's simulatiesucces in sommige gevallen iets lager was dan dat van FORGE, behield het aanzienlijk hogere verifieerde reële successpercentages:
- GearMesh: CoRMA 65,0% versus FORGE 25,0%.
- PegInsert: CoRMA 50,0% versus FORGE 12,5%.
- NutThread: CoRMA 59,3% versus FORGE 0,0%.
Adapteranalyse: Ablatiestudies bevestigden dat de causale Transformer de grootste prestatiewinst boekte (verhoging van $R^2$ van ~0,43 naar ~0,88 in vergelijking met Conv1D). De contrastieve doelstelling bood een kleinere maar consistente regularisatiewinst, waardoor de kwaliteit van de representatie verbeterde zonder numerieke voorspellingnauwkeurigheid te offeren.

Betekenis en Claims

Het artikel stelt dat semantische contactinferentie fungeert als een herbruikbare adaptatie-interface binnen een verwante familie van assemblagetaken. Door een compacte contactcontext af te leiden uit krachthistorie, vermindert CoRMA de sim-naar-real degradatie die wordt waargenomen bij sterke, taakspecifieke baselines.

De auteurs zijn bescheiden in hun scope, waarbij zij stellen dat:

De resultaten meta-adaptatie op taakfamilieniveau ondersteunen in plaats van onbeperkte generalisatie naar willekeurige onbekende taken.
De huidige evaluatie zich richt op hergebruik binnen verwante taken (PegInsert, GearMesh, NutThread) in plaats van brede generalisatie.
Real2Sim-kalibratie een toekomstig werkitem blijft, aangezien de resterende sim-naar-real-kloof waarschijnlijk voortkomt uit mismatches in dynamiek, wrijving en sensorlatentie.
De resultaten met de echte robot worden gepresenteerd als bewijs van gecontroleerde implementatie in plaats van volledige betrouwbaarheidscertificering, gezien het beperkte aantal proeven (tientallen per taak).

Concluderend toont CoRMA aan dat het vervangen van ruwe parameteradaptatie door semantische contactcontextinferentie, gestructureerd door contrastief leren, een veelbelovende richting is voor robuuste sim-naar-real assemblage in krachtgedomineerde scenario's.