ACT模仿学习 生产落地案例

五、生产落地案例

案例一：电子装配工位的柔性插装验证。背景是一个连接器插装工位，零件尺寸小、插孔间隙只有毫米级，传统示教编程在换型时需要反复调整点位，耗时较长。做法是用主从臂采集演示，两路相机分别看全局与腕部特写，针对每个型号的连接器各采集一批演示，训练独立的 ACT 策略并在换型时切换。关键配置上，动作块长度取中等偏短的值以保证对位置偏差的快速响应，训练轮数设得较长以让精细动作收敛到位，评估阶段开启时间集成来压制抖振。效果上，在零件托盘位置固定的条件下，插装成功率满足验证要求，换型时的调整时间从原来的数小时级别缩短到重新采集演示加训练的时间。踩到的坑有三个：一是初期采集的演示中，操作者在接近插孔时会不自觉地放慢速度并微调，模型把这些微调动作学了进去，导致自主执行时在目标附近反复试探，最后在采集规范里要求操作者动作坚决、一次到位；二是腕部相机的支架在运行中有轻微松动，视角变化后策略表现急剧下降，后来改用刚性更好的支架并加了防松措施；三是不同批次的连接器表面反光程度不同，图像分布有差异，通过在工位增加漫射光源解决。

案例二：实验室柔性抓取研究平台。背景是研究机构需要在统一的硬件上对比多种模仿学习算法的表现。做法是把 ACT 与扩散策略放在同一套数据、同一套评估协议下比较，用固定的评估流程跑多次取统计量而不是单次结果。关键配置是严格控制变量：同一批演示数据、同样的图像分辨率、同样的评估起始位置序列，只更换策略。效果是得到了在同一条件下的可比数据，能够判断在演示数量较少时哪种方法更稳定。踩到的坑主要是评估协议的方差问题——初期只用少量评估回合，结果波动很大，无法区分方法优劣；后来把评估回合数提高到统计上可靠的量级，并要求每次评估使用固定随机的初始位置序列，结果才具备可重复性。另一个坑是两种方法的动作归一化方式不同，直接对比会引入额外差异，最终统一了归一化流程后才得到公平结论。

这两个案例说明，ACT 落地的瓶颈通常不在算法，而在演示数据的采集规范、相机安装的刚性、以及光照与外观的一致性。把这三件事写成明确的作业指导书，比反复调超参更能提升效果。另外要记住一条底线：演示数量与场景覆盖度决定了策略的能力边界，任何超参调整都无法让模型在从未见过的情形下表现良好。