ADEPT: Accelerating Dexterity via Pre-Training and Post-Training using Reinforcement Learning
ADEPT: Accelerating Dexterity via Pre-Training and Post-Training using Reinforcement Learning
Jayjun Lee · Jessica Yin · Asif Rana · Nicholas Blauch · Sam Mady · Mohak Bhardwaj · Nima Fazeli · Nathan Ratliff 等
一句话结论
ADEPT 把高自由度灵巧操作学习拆成“通用预训练 + 稳定后训练 + 感知蒸馏”三层:先用 8B 环境步在 16 类几何 primitive 上训练 reposing 教师,学到 reach、grasp、lift、in-hand reorient、transport 等可复用技能;再把教师迁移到 FMB peg insertion 与 dish-rack placement,用 actor 蒸馏、critic warm-up 和低学习率 PPO 避免灾难性遗忘;最后蒸馏成只看 RGB 或 RGB+五指触觉的学生策略,零样本部署到 23 DoF Kuka-Allegro 和 29 DoF Flexiv-Sharpa。关键实验结论是:直接 PPO 微调会迅速把预训练能力打到 0%,而 ADEPT 后训练在 3B 步内得到稳定教师;真机长程任务中,视觉学生取得 3/10–6/10 成功率,加入指尖触觉后同一 Flexiv-Sharpa 方形/圆头插入任务提升到 8/10。这个结果同时说明,预训练不必覆盖全部下游技能,但必须把策略放到一个 downstream RL 能继续发现解的初始区域。
关键词
摘要
中文摘要
作者提出 ADEPT,一个用于高自由度机器人 embodiment 的大规模强化学习框架,目标是让策略直接从原始视觉-触觉感知解决长程灵巧任务,并能仿真到真实迁移。ADEPT 先在通用 object reposing 任务上预训练灵巧策略,再把该行为作为先验后训练下游策略。这样,多指机器人无需在每个新任务中重新发现相同技能,也能学到从零很难出现的新行为。预训练教师可以零样本完成下游任务的 reposing 阶段,但朴素 RL fine-tuning 会很快破坏这项能力;因此论文提出行为克隆蒸馏、critic warm-up 与保守 on-policy update 的稳定后训练配方。为了安全利用完整运动学灵巧性,作者在策略与机器人之间加入 joint-space Geometric Fabric。最终,后训练教师被蒸馏成感知学生,分别在 23 DoF Kuka-Allegro 双 RGB 相机平台和 29 DoF Flexiv-Sharpa 双 RGB + 五视觉触觉传感器平台上零-shot 迁移,并能以接近人类速度从困难初始状态完成长程任务。
英文摘要
We introduce Accelerating Dexterity via Pre-Training (ADEPT), a large-scale reinforcement learning (RL) framework for learning sim-to-real transferable dexterity across high degree-of-freedom (DoF) robot embodiments that can solve long-horizon tasks directly from raw visuo-tactile perception. ADEPT pretrains a dexterous policy on a generic object reposing task, then post-trains downstream policies with this pretrained behavior as a prior. ADEPT enables learning new behaviors that are otherwise difficult to discover from scratch on multi-fingered robots and avoids learning the same set of skills over again for every new downstream task. The pretrained policy zero-shots the reposing phase of downstream tasks, but naïve RL fine-tuning rapidly degrades this capability during transfer. We address this with a stable post-training recipe combining behavior-cloning distillation, critic warm-up, and conservative on-policy updates. To safely exploit the full kinematic dexterity, we introduce a joint-space Geometric Fabric that mediates between the RL policy and the robot. We distill post-trained teachers into perceptive students that zero-shot sim-to-real transfer on two embodiments: a 23 DoF Kuka-Allegro with two RGB cameras, and a 29 DoF Flexiv-Sharpa with two RGB cameras and five vision-based tactile sensors, and can solve long-horizon tasks from challenging initial states with dexterity at human-level speed.
直观理解
可以把 ADEPT 理解成给高自由度机器人先上“通用搬运与转物体课”,再上“具体装配课”。如果每个任务都从零学,机器人会反复重新发现怎么伸手、抓取、举起、旋转和搬运;这些基础动作在高维动作和接触动力学下本身就很难学。ADEPT 用 reposing 任务强迫策略学会这些基础技能,但它并不假设预训练教师已经会插入或摆盘子:后训练阶段允许 RL 学习新接触行为,只是用蒸馏和保守更新避免一开始就把旧技能忘掉。
论文最重要的工程判断是把“策略学习”和“安全执行”分开。策略输出全关节空间的相对目标,Geometric Fabric 在中间层保证关节限位、碰撞 avoidance 和平滑二阶动态,同时让仿真和真机使用同一个控制接口。这样 RL 可以探索完整 23/29 DoF 灵巧性,而不直接把未处理的加速度命令发给硬件。
背景与问题
为什么做
高自由度臂手系统的状态、动作与接触都很多维,即使有大规模并行 GPU 仿真,从零训练单个任务的 PPO 也要反复重新发现 reaching、grasping、lifting 和 in-hand reorientation 这些底层技能;这种重复不仅浪费算力,也让每个新接触密集任务都变成一次高方差的从零探索。
问题缺口
已有灵巧操作工作要么依赖 demonstrations、pose estimator、低维 hand 子空间或外部 fixture,要么把预训练策略直接拿去 PPO fine-tune。论文要补的缺口是:如何让一个没有任务特定示范、没有真机 pose tracker 的通用 RL 先验,在观察空间和奖励都变化的后训练中不被灾难性遗忘,同时保留全关节灵巧性并最终从原始视觉/触觉零样本迁移到真机长程 pick-reorient-insert。
方法
方法概述
ADEPT 是四段流水线:第一,在每个 embodiment 上用 PPO + ADR + PBT,在随机尺度、物理属性与目标姿态的 16 类 primitive reposing 任务上训练状态教师;第二,把预训练 actor 蒸馏到带下游观察空间的新 actor;第三,冻结 actor 训练新 critic,再用低 actor 学习率和小 clip 的 PPO 做 contact-rich 任务后训练;第四,把状态教师经两阶段 DAgger 蒸馏成 RGB 或 RGB+TacMap 学生,并用同一 Geometric Fabric 接口零样本上真机。
核心机制
其有效性来自把“行为先验、价值校准、更新幅度、安全控制和感知接口”拆开处理:reposing 预训练提供自然抓取和 reorientation 初始分布;BC 蒸馏解决新旧观察空间不匹配;critic warm-up 先让新任务价值估计可靠,再更新 actor;低学习率与小 clip 限制策略离开先验流形的速度;Cspace Geometric Fabric 提供关节限位、碰撞 avoidance 与平滑二阶控制;两阶段学生课程先学物体关键点感知,再学接触密集动作,避免视觉编码和策略学习互相干扰。
方法拆解
- 通用 reposing 预训练:每个 episode 从 cylinder、cuboid、sphere、cone 等 16 类 primitive 中采样一个,随机化尺度、物理属性、初始位置和目标姿态;策略必须完成 reach、grasp、lift、in-hand reorient、transport、repose。ADR 逐步扩大目标与环境范围,PBT 搜索 PPO 超参,重力从 0 anneal 到
-9.81 m/s²。Kuka-Allegro 预训练为 8B 环境步。 - BC actor distillation:下游任务比 reposing 多 receptacle pose 和 object-receptacle contact force 等观察。ADEPT 不直接修改旧 actor 输入层,而是用旧教师监督新下游 actor 40k iteration,把可迁移行为写入新的观察接口;BC 对准 ADR 20 的 goal pose,因为该处教师仍能可靠完成 reposing。
- critic warm-up + conservative PPO:先冻结新 actor,在下游奖励下采集 rollout 训练新 critic 约 20 个 PPO iteration;再联合训练 actor-critic。后训练 actor LR 从预训练的
1e-3降为1e-5并线性衰减,PPO clip 从 0.2 收紧到 0.05,critic LR 固定5e-5。之后 goal pose 直接收敛到 ADR 50 的最终插入目标,其余随机化从 ADR 20 继续推进。 - 两阶段感知蒸馏:第一阶段用 reposing 教师构造感知密集的 surrogate,让 stereo RGB 学生先学 peg 检测、8-keypoint pose 辅助预测、跟踪与 reorientation;第二阶段从该 checkpoint 开始,用下游教师继续 DAgger 蒸馏插入动作。视觉输入包含两个相机,随机化物理、wrench、光照、背景、相机内外参和传感器噪声。
- TacMap 触觉表示:Flexiv-Sharpa 每个指尖的视觉触觉传感器被仿真成 geometry-consistent penetration-depth map,与真实校准输出共享表示;再阈值化成 binary contact map,两通道经共享 per-finger CNN 编码,并用 SaTA 式 FiLM 按指尖正向运动学位置空间锚定,最后与 RGB 和 proprioception latent 融合。
- Cspace Geometric Fabric:策略输出
[-1,1]^{n_q}的 per-joint relative delta,映射为 Cspace target 和 policy forcing term;fabric 的惯性、阻尼、碰撞/限位排斥项在策略与机器人之间生成平滑二阶控制。该 fabric 同时运行在仿真和真机,保留完整 23/29 DoF 探索能力并降低控制接口差异。
关键要点
- 预训练教师对未见物体有较强 reposing 泛化:Kuka-Allegro 在 FMB peg 上 76%、VisDex 152 物体上 77%,均不低于 16 个训练 primitive 的 73%;Flexiv-Sharpa 分别为 58% 和 61%,低于训练分布的 64% 但没有失效。
- 预训练先验能零-shot 完成 FMB 的 reposing 段:Kuka-Allegro 在 ADR 20 有 71.9% 成功,Flexiv-Sharpa 为 74.9%;但到真正接触插入的 ADR 50 分别降为 0% 和 0.7%,说明必须学习新的接触段。
- 直接 PPO fine-tune 失败不是预训练不足,而是 reward、观察空间、critic 和更新幅度不匹配:教师原本能零-shot reposing,但少量更新后成功率降到 0%。
- 真实瓶颈更多在感知而非动作执行:视觉学生在遮挡下估计不对称 peg 姿态错误,或不知道抓取是否成功;指尖触觉把 Flexiv-Sharpa 的 grasp/lift 都稳定到 10/10,最终插入从视觉的 3/10 提升到 8/10。
结果
结果速览表
| 问题 | 结果 | 解释与边界 |
|---|---|---|
| 预训练能否泛化到未见物体? | Kuka 在 FMB/VisDex 上 76%/77%,高于训练 primitive 73% | 只评价 reposing,不等价于任意任务泛化 |
| 能否零-shot 到下游? | ADR 20 reposing 约 72%–75%,ADR 50 插入几乎为 0 | 说明先验覆盖搬运/重定向,不覆盖接触插入 |
| 直接 PPO fine-tune 为何失败? | 少量更新后成功率到 0 | 新 reward、新观察、critic 失准和过大 policy drift 共同导致 |
| ADEPT 后训练是否稳定? | 3B 步、5/5 seed 到 ADR 50;从零训练多数 seed 卡在低 ADR | 8B 预训练成本可跨任务摊销 |
| 触觉是否重要? | 同一 Flexiv-Sharpa square/round:vision 3/10,visuo-tactile 8/10 | 主要解决 grasp confidence/contact ambiguity,不是万能感知 |
| 是否能学新行为? | plate flip-and-regrasp 6/10;预训练没有可用 plate grasp | 证明后训练可发现先验外技能,但分布差异过大仍需扩展预训练 |
洞察
风险与判断
局限
- 真机每个 setting 只测 10 次,结果适合作为方向性证据,不能支持精确成功率排名或统计稳健结论。
- 视觉策略在不对称 peg 遮挡下仍会错估 yaw/tilt;Allegro 圆指尖与圆头 peg 的小接触面也造成抓取不稳定。
- 每个任务与 embodiment 仍需独立后训练教师,3B 环境步的边际成本低于 11B 总成本,但对普通实验室仍很高。
- 预训练分布只有 16 类简单 primitive 与 reposing;论文自己承认需要扩展到 in-hand manipulation、tool use、clutter、bimanual 等更广泛交互。
- 触觉增益是在一个平台和一个 FMB peg 上验证;跨传感器、跨手型与更多接触任务仍未证明。
- 5–10 s 与 20–70 s 的速度对比来自不同操作流程和夹持系统,不是严格同硬件受控实验。
适用场景
- 高自由度臂手系统需要在仿真中预训练可复用 reach/grasp/lift/reorient/transport 先验。
- 下游任务与 reposing 有明显共享子技能,例如 pick-reorient-insert、搬运摆放和需要手内重定向的装配。
- 部署平台能提供稳定的双相机标定,或能接入几何一致的指尖触觉表示。
- 需要在策略学习与安全低层控制之间显式分层,而不是让 RL 直接输出执行器命令。
最终判断
- 这是一篇系统贡献强于单点算法创新的论文:reposing 预训练、稳定 RL 后训练、全 Cspace fabric、两阶段感知蒸馏和 TacMap 触觉接口共同支撑了无示范、无 pose estimator 的真机长程灵巧操作。
- 最值得迁移的经验是先诊断迁移失败机制,再分别处理 actor observation mismatch、critic calibration 和 policy drift;简单 KL regularization 不足以替代这些结构化步骤。
- 触觉结果是本篇对 force/touch policy 研究最有价值的证据之一:同一策略与任务中,指尖接触反馈把长程成功率从 3/10 提到 8/10,且失败模式明确指向 grasp confidence 而非动作生成。
- 不应把它理解成通用机器人 foundation policy:当前结果仍按 embodiment 和任务后训练,预训练覆盖有限;更准确的定位是可摊销的灵巧操作先验与稳定 specialization 方法。
相关主题
Contact-Rich Manipulation and Adaptive Compliance
接触密集操作中的运动—力联合学习路线:如何从示范、实时反馈、关节力矩、训练期力蒸馏、力域动作或动作后果预测获得任务相关接触表示,并在安全接触、轨迹精度、硬件成本、快速响应与控制带宽之间动态权衡。
打开主题
继续阅读
上一篇
DM0.5: 面向开放世界的通用具身智能基础模型
DM0.5 延续 VLA 架构(4B VLM 多模态主干 + 680M Action Expert),核心不是堆规模,而是四项系统增强:长历史上下文、具身推理(CoT)、动态动作对齐监督、数据质量清洗。换来的是开放环境 Zero-Shot 泛化、更长记忆、更鲁棒动作和多机型迁移,在 RoboChallenge Table30 v2 真机评测拿下 SOTA,并在 LIBERO / RoboTwin2.0 / R2R+RxR 导航基准上多项领先。
下一篇
What Matters for Latent Actions in Robot Learning
这是第一篇对 latent action model(LAM,隐式动作模型)做系统性实证研究的论文:把 LAPO、LAOF、CoMo、CFD-AE 等代表方法统一进同一个自编码框架,系统扫描了 41 个设计选择(建模范式、学习目标/正则化、隐式动作集成方式),并检验了 4 个代理指标能否预测下游操纵性能。核心结论是**原始 LAPO 反而是最强基线**,光学流(RAFT/SEA-RAFT)这类运动先验反而有害,隐式动作在 VLM 骨干微调后能显著提升下游策略与真实机械臂性能(真机成功率 64.75% → 79.25%)。对做「用无标注视频训练机器人」方向的人,这是一份可直接照抄的配方表。