Autonomous Integration and Improvement of Robotic Assembly using Skill Graph Representations
Department of Electrical and Computer Engineering, Carnegie Mellon University（卡内基梅隆大学电气与计算机工程系）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
本文提出基于技能图表示的机器人装配系统自主集成与持续改进框架，通过语义级规划与执行接口实现系统配置、执行、评估与学习的统一，提升装配系统的适应性与可重用性。
2026-03-13 cs.RO
High-speed electrical connector assembly by structured compliance in a finray-effect gripper
TU Berlin（柏林工业大学）；Fraunhofer IPK（弗劳恩霍夫生产设备与设计技术研究所）
本文提出一种一体化增材制造的鳍条效应手指，通过在指尖近端实现方向相关的结构化柔顺性，支持高速机械搜索与自对准插接，在电连接器装配任务中实现了7.5 mm公差窗口和1.3 m/s接近速度。
2023-07-28 cs.RO
Learning-Based Strategy for Composite Robot Assembly Skill Adaptation
Chair of Machine Tools and Control System, RPTU University Kaiserslautern-Landau（机床与控制系统系，凯撒斯劳滕-兰道大学）；Innovative Factory Systems, German Institute of Artificial Intelligence（创新工厂系统，德国人工智能研究中心）
本文提出一种基于残差强化学习的复合机器人装配技能适应方法，通过显式预置、后置和不变条件实现模块化和可重用性，提升工业机器人在接触密集任务中的安全性和样本效率。
2026-04-08 cs.RO
ATG-MoE: Autoregressive trajectory generation with mixture-of-experts for assembly skill learning
Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Faculty of Engineering, Imperial College London（伦敦帝国理工学院工程学院）
本文提出ATG-MoE，通过混合专家架构实现多技能整合，解决传统方法在多阶段设计和多技能整合能力上的不足，实验显示其在模拟和实际应用中均表现优异。
2026-03-19 cs.RO
SAKI: Skill Assembly and Kinematic Imitation from Human Videos for Long-Horizon Mobile Manipulation
Australian Centre for Robotics, The University of Sydney（悉尼大学澳大利亚机器人中心）
提出SAKI框架，从人类视频学习可复用物体中心技能，通过跨示范组装与全身运动学模仿，实现长时程移动操作，真实机器人实验验证技能复用与组合能力。
2026-09-30 cs.RO
Robotic Imitation of Human Assembly Skills Using Hybrid Trajectory and Force Learning
Osaka University（大阪大学）；National Institute of Advanced Industrial Science and Technology（国立先进工业科学技术研究院）
机器人装配任务涉及复杂和低间隙的插入轨迹，在不同阶段具有不同的接触力。虽然名义上的运动轨迹可以很容易地从人的演示，通过动觉教学，遥操作，仿真，以及其他方法，力的轮廓是很难获得，特别是当一个真正的机器人是不可用的。即使使用物理引擎，在仿真中也很难获得真实的力分布。由于装配过程中的现实差距和不确定性，这种模拟的力分布往往不适合实际的机器人装配。为了解决这个问题，我们提出了一个基于学习的组合框架，通过混合轨迹学习和力学习来模仿人类的装配技能。这项工作的主要贡献是开发了一个框架，结合分层模仿学习，学习标称运动轨迹，与基于强化学习的力控制计划学习最佳的力控制政策，可以满足标称轨迹，同时适应装配任务的力要求。为了进一步改进模仿学习部分，我们开发了一个分层的架构，遵循目标条件模仿学习的思想，离线生成\textit{skill}级别的轨迹学习策略。通过实验验证，我们证实，所提出的基于学习的框架是强大的装配任务中的不确定性，可以生成高质量的轨迹，并可以找到合适的力控制政策，适应任务的力要求更有效。
2021-03-10 cs.RO
Contact Skill Imitation Learning for Robot-Independent Assembly Programming
FZI Research Center for Information Technology（FZI信息科技研究中心）；IAR Institute for Anthropomatics and Robotics, HIS Humanoids and Intelligence Systems Lab, KIT Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院（KIT）IAR人形机器人与机器人学研究所、HIS人形与智能系统实验室）
机器人自动化是技术进步的关键驱动力。然而，人类工人的技能很难编程，目前似乎无法与技术系统相匹配。在这项工作中，我们提出了一种数据驱动的方法，使用长短期记忆（LSTM）网络，从模拟环境中的人类演示中提取和学习机器人独立的接触技能。我们的模型学习从物体相对运动中生成任务空间中的力和扭矩的纠错序列，工业机器人通过笛卡尔力控制方案在实际设置中进行。该方案采用正动力学计算的虚拟条件孪生的机械手来解决逆运动学问题。我们评估我们的方法与装配实验，其中我们的算法处理部分倾斜和干扰，以取得成功。结果表明，该技能是强大的定位不确定性在任务空间和跨不同的关节配置的机器人。通过我们的方法，非专家可以轻松地以独立于机器人的方式编程力敏感装配任务。
2020-02-05 cs.RO
Efficient Sim-to-real Transfer of Contact-Rich Manipulation Skills with Online Admittance Residual Learning
University of California at Berkeley（加州大学伯克利分校）
提出混合离线-在线框架，通过无模型强化学习获取运动与柔顺参数，在线学习残差以提升性能，在装配、旋转和拧螺丝任务上验证了有效性。
2023-10-16 cs.RO
SRSA: Skill Retrieval and Adaptation for Robotic Assembly Tasks
NVIDIA Corporation（英伟达公司）；University of Southern California（南加州大学）；University of Washington（华盛顿大学）
针对机器人富接触装配任务的数据高效学习问题，提出 SRSA 框架，通过预测技能库中各技能在新任务上的零样本迁移成功率来指导技能检索与微调，显著提升了成功率、稳定性和样本效率，并在真实世界部署中达到 90% 平均成功率。
2025-03-06 cs.RO
Design of non-diagonal stiffness matrix for assembly task
Saitama University（埼玉大学）；University of Tsukuba（筑波大学）
顺应性控制是在机器人领域中使用的越来越多的技术。已知的是，根据刚度矩阵的设计可以再现各种机械性能，但是利用这种高设计自由度的设计理论尚未阐明。因此，本文讨论了刚度矩阵的非对角元素。根据实现稳定运动所需的条件，提出了一种设计方法。此外，我们还分析了非对角单元在外力作用下产生的位移，发现为了获得与对称矩阵的稳定接触，矩阵应该是正定的，即，所有特征值必须为正，但其参数设计复杂。在这项研究中，我们专注于使用非对称矩阵的柔度控制，并表明，设计的特征值可以简化使用三角矩阵。这种方法扩展了刚度设计的范围，并增强了顺应性控制诱导运动的能力。我们进行了实验，使用刚度矩阵，并确认装配可以实现没有复杂的轨迹规划。
2022-10-29 cs.RO
Simulation-based Learning of Electrical Cabinet Assembly Using Robot Skills
Fraunhofer Institute for Manufacturing Engineering and Automation IPA（弗劳恩霍夫制造工程与自动化研究所）
本文提出基于模拟的机器人技能学习方法，用于自动化电气柜终端装配，通过深度强化学习和物理仿真提升装配效率与鲁棒性。
2026-02-16 cs.RO
Robotic Assembly Control Reconfiguration Based on Transfer Reinforcement Learning for Objects with Different Geometric Features
Tsinghua University（清华大学）
基于力的机器人柔性控制是实现高精度装配任务的首选方法。当装配对象的几何特征不对称或不规则时，强化学习（RL）智能体逐渐融入柔顺控制器，以适应难以解析建模的复杂力-位姿映射。由于力-姿态映射强烈依赖于几何特征，因此顺应性控制器仅对于当前几何特征是最佳的。为了降低具有不同几何特征的装配对象的学习成本，本文致力于回答如何为具有不同几何特征的新装配对象重新配置现有控制器。在本文中，基于模型的参数重新配置的基础上提出的等效理论的顺应性（ETCL）。然后，RL代理转移的基础上提出的加权维度策略蒸馏（WDPD）方法。实验结果表明，该控制重构方法所需时间少，控制性能好，验证了所提方法的有效性。
2022-11-04 cs.RO cs.SY eess.SY
Variable Compliance Control for Robotic Peg-in-Hole Assembly: A Deep Reinforcement Learning Approach
Osaka University（大阪大学）；National Institute of Advanced Industrial Science and Technology (AIST)（日本产业技术综合研究所）
工业机器人在现代制造业中发挥着越来越重要的作用。虽然销孔装配是一个常见的工业任务，已被广泛研究，安全地解决复杂的高精度装配在非结构化环境中仍然是一个悬而未决的问题。强化学习（RL）方法已被证明在自主解决操作任务方面是成功的。然而，RL仍然没有被广泛采用在真正的机器人系统，因为与真正的硬件工作带来了额外的挑战，特别是当使用位置控制的机械手。这项工作的主要贡献是一个基于学习的方法来解决钉在孔的位置不确定性的任务。我们提出了一种非策略无模型强化学习方法的使用，并通过使用几种迁移学习技术（sim2real）和域随机化来提高训练速度。我们提出的位置控制机器人的学习框架进行了广泛的评估接触丰富的插入任务在各种环境中。
2020-11-21 cs.LG cs.RO
Imitation and Supervised Learning of Compliance for Robotic Assembly
Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室）
我们提出了一个基于学习的工业机器人装配操作的顺应性控制器的设计。我们提出了一个解决方案，在一般设置的示教学习（LfD），其中一个名义上的轨迹是通过演示由专家教师。这可以用于学习技能的适当表示，其可以推广到组装中涉及的部件之一的新位置，例如孔中的孔（PiH）插入任务。在该新位置可能不能由视觉或其他感测系统完全准确地估计的预期下，机器人将需要响应于借助于安装在机器人的腕部或另一合适位置处的力-扭矩（F/T）传感器测量的力读数来进一步修改所生成的轨迹。在装配过程中遍历参考轨迹的速度恒定的假设下，我们提出了一种新的适应力控制器，允许机器人安全地探索不同的接触配置。使用该控制器收集的数据用于训练高斯过程模型以预测钉相对于目标孔的位置的未对准。我们表明，所提出的基于学习的方法可以纠正各种接触配置所造成的组装零件之间的错位在一个PiH任务，在插入过程中实现高成功率。我们使用工业机械臂的结果，并证明该方法可以执行自适应插入使用力反馈训练的机器学习模型。
2021-11-20 cs.AI cs.RO
Generalize by Touching: Tactile Ensemble Skill Transfer for Robotic Furniture Assembly
Carnegie Mellon University（卡内基梅隆大学）；Mitsubishi Electric Research Labs (MERL)（三菱电机研究实验室）
本文提出TEST框架，通过引入触觉反馈的离线强化学习方法学习技能转移模型与自适应策略，解决机器人家具组装的长周期任务泛化问题，实现90%成功率且效率提升4倍以上。
2024-04-26 cs.LG cs.RO
A robust and compliant robotic assembly control strategy for batch precision assembly task with uncertain fit types and fit amounts
本文提出了一种基于FVFC-MTRL框架的鲁棒且顺应性机器人装配控制策略，通过多任务强化学习和策略蒸馏方法提升精密装配任务的鲁棒性和成功率。
2025-08-17 cs.RO
Robust and Resilient Soft Robotic Object Insertion with Compliance-Enabled Contact Formation and Failure Recovery
OMRON SINIC X Corporation（OMRON SINIC X公司）
本文提出了一种基于合规性腕部的物体插入方法，通过大变形吸收接触，实现安全接触形成和故障恢复，实验显示在随机条件下成功率高达83%。
2026-05-17 cs.RO
The e-Bike Motor Assembly: Towards Advanced Robotic Manipulation for Flexible Manufacturing
Bosch Center for Artificial Intelligence（博世人工智能中心）
本文面向柔性制造提出现场示教与编程自适应机器人的四层框架，整合自监督感知、示教学习技能、任务排序与在线优化，并在电动自行车电机装配和密集箱体装箱中验证。
2023-04-20 cs.RO
Learning to Leverage Compliance: A Policy-Admittance Learning Framework for Robotic Insertion
Northwestern Polytechnical University（西北工业大学）
提出LeCo策略-导纳学习框架，通过多速率反馈和冲突代价引导视觉策略利用固定柔顺性，在四类真实连接器装配任务中实现94%成功率并显著降低接触载荷。
2026-09-28 cs.RO
Flexure-based Environmental Compliance for High-speed Robotic Contact Tasks
Fraunhofer IPK（弗劳恩霍夫生产设备与设计技术研究所）
物理顺应性的设计-其位置，程度和结构-影响机器人在接触丰富的任务中的性能和鲁棒性。虽然顺应性通常用于机器人的关节，法兰，或末端执行器，本文提出了顺应性的结构在环境中，允许安全和鲁棒的接触，同时保持较高的运动控制带宽和精度的高阻抗机器人。这里的顺应性是通过挠曲件和粘弹性材料来实现的，挠曲件和粘弹性材料被集成到几个机构中以提供结构化顺应性，例如远程顺应性中心。使用熔融沉积成型的增材制造，允许更快的设计迭代和与标准工业设备的低成本集成。机械性能，包括总刚度矩阵，刚度比，和旋转精度，分析确定和实验结果进行比较。三个远程中心的顺应性（RCC）的设备和1自由度的线性设备的原型和测试在高速装配任务。
2022-03-14 cs.RO
ARCH: Hierarchical Hybrid Learning for Long-Horizon Contact-Rich Robotic Assembly
Stanford University（斯坦福大学）；MIT（麻省理工学院）；University of Michigan（密歇根大学）；Autodesk Research（Autodesk研究）
提出ARCH分层混合学习框架，结合低层技能库与高层策略，实现长时程高精度装配，提升泛化与数据效率。
2025-09-08 cs.RO
Cognitive Manipulation: Semi-supervised Visual Representation and Classroom-to-real Reinforcement Learning for Assembly in Semi-structured Environments
South China University of Technology（华南理工大学）；Nanyang Technological University（南洋理工大学）
本文提出一种基于技能图的认知操纵方法，整合半监督目标检测与课堂到真实强化学习的精细操纵模型，有效解决了无夹具半结构化环境中小批量精确装配的挑战，并在仿真和真实实验中显著提升了成功率与效率。
2024-06-01 cs.RO
Human-Robot Skill Transfer with Enhanced Compliance via Dynamic Movement Primitives
University of Victoria（维多利亚大学）；Eindhoven University of Technology（埃因霍温理工大学）
本文提出一种从人类示教中自动提取动态特征以调节DMP参数的系统方法，可同时用于示教学习和强化学习，在保持高类人性和稳定性的同时显著提升机器人柔顺性与轨迹探索效率。
2023-04-12 cs.AI cs.RO
Human-Like Robot Impedance Regulation Skill Learning from Human-Human Demonstrations
Department of Mechanical and Automation Engineering, T-Stone Robotics Institute, The Chinese University of Hong Kong（机械与自动化工程系，T-Stone机器人研究院，香港中文大学）；College of Science and Technology, Ningbo University（科学与技术学院，宁波大学）；Idiap Research Institute（Idiap研究机构）
本文提出HIImpRSL框架，通过模仿学习和LSTM模块实现机器人在多人协作任务中类人阻抗调节与适应能力。
2025-12-14 cs.RO
Skill Sequence Planning for Collaborative Multi-Robot Construction
Texas A&M University（德克萨斯A&M大学）；Amazon Robotics（亚马逊机器人）；University of Michigan（密歇根大学）；University of Tennessee（田纳西大学）
本文提出一种技能序列规划方法，利用可复用技能和建造关系图，使异构多机器人团队协作完成建造装配，减少单独编程需求，提升部署灵活性。
2026-09-23 cs.RO
Query-Centric Diffusion Policy for Generalizable Robotic Assembly
Department of Mechanical Engineering, Carnegie Mellon University（机械工程系，卡内基梅隆大学）
针对机器人装配中高层规划与低层控制不匹配的问题，提出以查询为中心的扩散策略QDP，利用物体、接触点和技能查询引导低层策略，在FurnitureBench上显著提升技能精度与长时程成功率。
2025-09-23 cs.LG cs.RO
Reinforcement Learning on Variable Impedance Controller for High-Precision Robotic Assembly
University of California, Berkeley（加州大学伯克利分校）；Siemens Corporate Technology（西门子公司技术部）；Technion（以色列理工学院）
精确的机器人操作技能在许多工业环境中是期望的，强化学习（RL）方法有望自主地获得这些技能。在本文中，我们明确考虑将操作空间力/扭矩信息纳入强化学习;这是由人类将感知力映射到控制动作，从而以相当容易的方式完成高精度任务。我们的方法结合RL与力/扭矩信息，通过将一个适当的操作空间力控制器，我们还利用不同的消融处理这些信息。此外，我们提出了一个神经网络架构，推广到合理的变化的环境。我们在开源的西门子机器人学习挑战赛上评估了我们的方法，该挑战赛需要精确和微妙的力控制行为来组装紧密配合的齿轮组。
2019-03-20 cs.RO
MatchMaker: Automated Asset Generation for Robotic Assembly
针对机器人装配中资产手动策划限制多任务学习的问题，提出MatchMaker流程，自动生成模拟兼容、多样化的装配资产对，提升下游装配技能学习的多样性和有效性。
2025-03-28 cs.RO
AlphaNIST: Emergent Assembly Skills from Binary Task Rewards
NVIDIA（英伟达）；University of Washington（华盛顿大学）
AlphaNIST探究稀疏二元任务奖励与任务多样性能否让机器人自主发现装配方法，在仿真中训练的单策略覆盖20项装配任务，达98.2%训练成功率，涌现出灵巧规划类装配行为。
2026-10-12 cs.AI cs.RO
Learning and Generalizing Variable Impedance Manipulation Skills from Human Demonstrations
通过学习可变阻抗控制策略，机器人助手可以智能地调整其操作依从性，以确保在人机交互环境中操作时的安全交互和正确的任务完成。在本文中，我们提出了一个基于DMP的框架，学习和推广可变阻抗操纵技能，从人类的示范。该框架提高了机器人$'$对环境变化（即机器人末端执行器抓取物体的重量和形状变化）的适应性，并继承了基于演示方差的刚度估计方法的效率。此外，我们的刚度估计方法，我们不仅产生平移刚度配置文件，但也旋转刚度配置文件中被忽略或不完整的大多数学习变阻抗控制文件。一个7自由度冗余度机器人操作器的真实世界的实验已经进行了验证我们的框架的有效性。
2021-12-27 cs.RO
6D Assembly Pose Estimation by Point Cloud Registration for Robot Manipulation
Tampere University（坦佩雷大学）
本文提出一种基于RGB-D与CAD模型的6D装配位姿估计方法，通过语义分割和点云配准实现精确装配，并通过实验验证其有效性。
2023-12-05 cs.RO
Evaluation of Position and Velocity Based Forward Dynamics Compliance Control (FDCC) for Robotic Interactions in Position Controlled Robots
University of Luxembourg（卢森堡大学）；PPRIME Institute（PPRIME研究所）；CNRS（法国国家科学研究中心）；ENSMA（国立高等机械与航空技术学院）；University of Poitiers（普瓦捷大学）
在机器人操作中，末端执行器的顺应性是执行接触丰富的任务，如加工，装配和人机交互的必要前提。大多数机器人手臂是硬件级别的位置控制刚性系统。因此，增加合规性变得至关重要。在这些系统中的合规性最近已经实现了使用前向动力学合规性控制（FDCC），这是由于其虚拟的前向动力学模型，可以实现的位置和速度控制的机器人。本文评估了控制接口（因此控制域）的选择，这虽然被认为是微不足道的，是必不可少的，由于其特性的差异。在某些情况下，选择仅限于可用的硬件接口。然而，考虑到可选择的选项，基于速度的控制接口使顺应性控制成为更好的候选者，因为更平滑的顺应性行为、减少的交互力和所做的功。为了证明这些点，本文FDCC上UR10e六自由度机械手速度和位置控制模式进行评估。该评估基于使用3D打印工件的力控制基准测试指标。真实的实验倾向于选择速度控制而不是位置控制。
2022-10-24 cs.RO
Manual2Skill: Learning to Read Manuals and Acquire Robotic Skills for Furniture Assembly Using Vision-Language Models
National University of Singapore（新加坡国立大学）；University of Toronto（多伦多大学）；Peking University（北京大学）；Sichuan University（四川大学）；Zhejiang University（浙江大学）
本文提出 Manual2Skill 框架，利用 VLM 解析手册图像、构建分层组装图，并结合 6D 位姿估计与运动规划，实现真实 IKEA 家具的高效精确组装。
2025-10-18 cs.AI cs.RO
Contact Information Flow and Design of Compliance
Fraunhofer IPK（弗劳恩霍夫生产设备与结构技术研究所）
在接触丰富的操作过程中识别接触的变化可以检测任务状态或错误，从而提高鲁棒性和自主性。检测接触的能力受到机器人的机电一体化设计的影响，特别是其物理顺应性。已建立的方法可以针对接触性能的许多方面（例如，峰值接触力、运动/力控制带宽）设计物理顺应性，但是基于时不变动态模型。接触模式的变化是机器人-环境动力学耦合的离散变化，在现有的设计方法中不易考虑。为了设计机器人，可以鲁棒地检测在线接触模式的变化，本文研究了机电一体化设计如何提高接触估计，重点是位置和程度的影响的遵守。信息增益的设计指标，提出了测量多少位置/力的测量减少接触模式估计的不确定性。这种信息增益是为完全和部分观测系统开发的，因为部分可观测性可能来自机器人的关节灵活性或环境惯性。各种兼容设置的硬件实验验证了信息增益预测在（i）接触丰富组件的监测和（ii）碰撞检测中检测接触的速度和确定性。
2022-03-17 cs.RO
Exploiting Variable Impedance for Energy Efficient Sequential Movements
Technical University of Munich（慕尼黑工业大学）；King's College London（伦敦国王学院）
柔顺机器人已经在节能运动和循环操作中得到了成功的应用。然而，利用可变的物理阻抗进行能量有效的顺序运动还没有得到广泛的解决。该工作采用分层方法将子运动生成的低级最优控制封装到迭代策略改进的外循环中，从而利用最优控制和强化学习的优点。该框架能够以无模型的方式优化效率权衡，以最小的能源费用，考虑到成本函数加权，可变阻抗开发，和过渡时间-这是与合规的技能。所提出的方法的有效性进行评估，使用两个连续的到达任务上的可变阻抗致动器。结果表明，显着的节能，通过提高技能的遵守，在物理机器人实验中测量的约30%的电力消耗减少。
2020-10-19 cs.RO
Towards simulation-based optimization of compliant fingers for high-speed connector assembly
提出一种基于仿真的柔顺机构设计工具，通过优化柔顺手指参数提升连接器插接任务的鲁棒性，并在真实机器人上验证了容差范围的显著扩大。
2025-09-12 cs.RO
Compliant finray-effect gripper for high-speed robotic assembly of electrical components
TU Berlin（柏林工业大学）；Fraunhofer IPK（弗劳恩霍夫生产系统与设计技术研究所）
精密装配任务（如电连接器插入）具有严格的公差和敏感的部件，限制了机器人装配的速度和鲁棒性，即使在使用视觉、触觉或力传感器时也是如此。连接器插入是一项常见的工业任务，需要用最小的力来补偿水平对准误差，然后在插入方向上施加足够的力。还需要处理各种物体、实现高速以及处理物体位置变化的宽范围的能力。软夹持器可以允许夹持具有不同表面几何形状的零件，但通常只专注于夹持，可能无法提供所需的装配力。为了实现高速连接器插入，本文提出了单片手指与结构化的顺应性和形式封闭功能。鳍射线效应夹持器适于实现允许高速机械搜索、插入中的自对准和足够的组装力的结构化（即，方向性）刚度。对鳍肋和指尖的设计进行了研究，最终设计允许在高速下以高达7.5 mm的公差窗口插入插头。
2023-01-20 cs.RO
Towards Generalized Robot Assembly through Compliance-Enabled Contact Formations
Yale University（耶鲁大学）
针对富接触机器人装配中显式接触估计计算成本高、不确定性大的问题，提出基于柔顺接触构型的隐式约束方法，无需孔位先验即可完成小公差及多类型通用插入任务。
2023-03-09 cs.RO cs.SY eess.SY
VIDP: Variable Impedance Diffusion Policy for Compliant Robot Manipulation from Diverse Demonstrations
该研究针对接触丰富的机器人操作问题，提出基于模仿学习的可变阻抗控制框架VIDP，利用TP-DAMM从多样本演示中提取物理一致的轨迹分布，无需力传感器即可联合预测位姿与柔顺性，在真实实验中任务成功率及力、跟踪误差表现均优于基线方法。
2026-08-07 cs.RO
Learning Sequences of Manipulation Primitives for Robotic Assembly
Singapore Centre for 3D Printing (SC3DP)（新加坡3D打印中心）；School of Mechanical and Aerospace Engineering, NTU（南洋理工大学机械与航天工程学院）；Eureka Robotics（尤里卡机器人公司）
本文探讨的想法，熟练的装配是最好的表示为动态序列的操作原语，这样的序列可以自动发现的强化学习。操纵原语，如“向下移动直到接触”，“沿x方向滑动，同时保持与表面接触”，具有足够的复杂性以保持搜索树浅，但足够通用以概括广泛的装配任务。此外，与更基本的动作相比，操纵原语的附加“语义”使它们在sim 2 real中以及对模型/环境变化和不确定性更鲁棒。策略在模拟中学习，然后转移到物理平台上。直接的sim 2 real传输（无需在实际中重新训练）在具有挑战性的装配任务中实现了出色的成功率，例如以0.04 mm间隙插入圆形钉或以大孔位置/方向估计误差插入方形钉。
2021-03-26 cs.RO
Learning Robotic Assembly from CAD
UC Berkeley（加州大学伯克利分校）；Siemens Corporation（西门子公司）
在这项工作中，最近的制造趋势的动机，我们研究自主机器人装配。工业装配任务需要接触丰富的操作技能，这是具有挑战性的获得使用经典的控制和运动规划方法。因此，用于装配领域的机器人控制器目前被设计为解决特定任务，并且不能容易地处理产品或环境中的变化。强化学习（RL）是一种很有前途的方法，自主获取机器人技能，涉及接触丰富的动态。然而，RL依赖于随机探索来学习控制策略，这需要许多机器人执行，并且经常陷入局部次优解。相反，我们认为先验知识，当可用时，可以提高RL性能。我们利用的事实，在现代装配领域，有关任务的几何信息是很容易通过CAD设计文件。我们建议利用这种先验知识，引导RL沿几何运动计划，使用CAD数据计算。我们表明，我们的方法有效地改善了传统的控制方法跟踪运动计划，可以解决装配任务，需要高精度，即使没有准确的状态估计。此外，我们提出了一个神经网络架构，可以学习跟踪的运动计划，并概括的装配控制器的对象位置的变化。
2018-07-24 cs.LG cs.RO
A Framework for Robot Manipulation: Skill Formalism, Meta Learning and Adaptive Control
Technische Universität München（慕尼黑工业大学）
在本文中，我们介绍了一种新的框架表示和学习力敏感的机器人操作技能。它是基于一种形式主义，扩展了我们以前的工作，自适应阻抗控制与Meta参数学习和兼容的技能规范。通过这种方式，系统还能够通过结合过程描述和质量评估指标来利用抽象的专家知识。我们评估各种国家的最先进的方案的Meta参数学习和实验比较选定的。我们的研究结果清楚地表明，我们的自适应阻抗控制器与精心定义的技能形式主义的结合显着降低了操作任务的复杂性，即使是学习钉孔亚毫米级工业公差。总的来说，所考虑的系统能够在20分钟内学习这种技能的变化。事实上，在实验中，该系统能够比人类更快地执行学习任务，从而实现了第一个基于学习的复杂装配解决方案。
2018-05-22 cs.RO
Autonomous Robotic Assembly: From Part Singulation to Precise Assembly
Mitsubishi Electric Research Labs (MERL)（三菱电机研究实验室）
本文提出一种低结构化要求的齿轮箱自主机器人装配系统，融合滑动抓取、手内操作与插入技能，并利用视觉、触觉和F/T传感器闭环执行，硬件实验验证了其鲁棒性。
2024-06-11 cs.RO
Bridging the Sim-to-Real Gap with Dynamic Compliance Tuning for Industrial Insertion
UC Berkeley（加州大学伯克利分校）；Autodesk Research（欧特克研究中心）
针对工业紧密插入的仿真到现实迁移难题，提出由Force Planner与Gain Tuner组成的动态柔顺控制框架，仅靠仿真训练即可无微调完成多种窄间隙及负间隙真实插入。
2024-03-01 cs.RO
Robust Peg-in-Hole Assembly under Uncertainties via Compliant and Interactive Contact-Rich Manipulation
Department of Computer Science, Rice University（计算机科学系， Rice大学）；U.S. National Institute of Standards and Technology（美国国家标准与技术研究院）
本文提出一种基于柔顺与交互式富接触操作的轴孔装配系统，通过包含碰撞的交互迭代定位目标孔并利用环境接触约束细化插入运动，无需精确感知即可在紧公差下实现鲁棒装配。
2025-06-28 cs.RO
Towards Natural Language-Driven Assembly Using Foundation Models
Bosch Center for Artificial Intelligence（博世人工智能中心）；Tel Aviv University（特拉维夫大学）
针对工业机器人高精度装配任务难以用通用策略实现的问题，提出基于大语言模型的全局控制策略，通过动态上下文切换调用专用高精度技能集，丰富了复杂机器人操作的控制机制。
2024-06-23 cs.AI cs.CV cs.LG
CHIP: Adaptive Compliance for Humanoid Control through Hindsight Perturbation
NVIDIA；Stanford University（斯坦福大学）；UT Austin（得克萨斯大学奥斯汀分校）
CHIP通过回顾扰动实现人形机器人可控的末端执行器刚度，无需额外调优即可完成多种力量操作任务。
2026-02-09 cs.LG cs.RO
PVRA: A Pointwise Key-point Voting Framework for Robotic Assembly
Tampere University（坦佩雷大学）
本研究针对机器人自主渐进式装配的感知需求，提出基于3D关键点的模块化学习框架PVRA，在装配位姿估计数据集上训练后，与以物体为中心的基线及增强指标对比验证了其有效性。
2026-08-21 cs.CV cs.RO
SHaRe-RL: Structured, Interactive Reinforcement Learning for Contact-Rich Industrial Assembly Tasks
CITEC, Faculty of Technology, Bielefeld University, Germany（CITEC，技术学院，比勒菲尔德大学，德国）；Fraunhofer IOSB-INA, Lemgo, Germany（弗劳恩霍夫 IOSB-INA，莱姆戈，德国）
SHaRe-RL通过整合先验知识，解决了工业装配中高混合低体积生产对精度、安全性和可靠性的需求，实现了高效安全的在线学习。
2026-03-17 cs.RO
A Unified Control Architecture for Macro-Micro Manipulation using a Active Remote Center of Compliance for Manufacturing Applications
Institute for Robotics and Intelligent Production Systems University of Applied Sciences Karlsruhe (HKA)（机器人与智能生产系统研究所 卡尔施塔特应用科学大学（HKA））
提出一种将宏操作器纳入主动交互控制的新架构，相比现有领先-跟随方法将控制带宽提升2.1倍，相比传统力控制提升12.5倍，并引入替代模型简化控制器设计。
2026-06-15 cs.RO
Learning Movement Assessment Primitives for Force Interaction Skills
Universität Innsbruck（因斯布鲁克大学）
我们提出了一种新颖的，可重复使用的和任务不可知的原语，用于评估力交互机器人技能的结果，例如，用于工业制造中的质量控制等应用。所提出的方法易于编程的动觉教学，并通过机器学习模型实现所需的适应性和可重用性。原始记录在演示和再现运动期间的感觉数据。记录包括末端执行器的笛卡尔姿势和在每个时间步施加的扳手。收集的数据，然后使用训练高斯过程，创建模型的扳手作为一个功能的机器人的姿态。通过测量扳手模型的Hellinger距离，可以得出演示和机芯复制之间的相似性。这种比较创建的特征作为输入馈送到朴素贝叶斯分类器，该分类器估计运动的成功概率。该评估针对两种不同的机器人装配任务进行-卡扣装配和拧紧-共有5个用例，11个演示和200多个运动执行。性能指标证明了所提出的方法的能力，推广到不同的演示和运动。
2018-05-11 cs.RO
LanPose: Language-Instructed 6D Object Pose Estimation for Robotic Assembly
Tsinghua University（清华大学）；Technical University of Munich（慕尼黑工业大学）
本文提出LanPose框架，通过融合几何与语言特征并利用交叉注意力机制，实现基于自然语言指令的的6D物体位姿估计，在真实机器人装配场景中验证了其有效性。
2023-10-20 cs.RO
Learning Insertion Primitives with Discrete-Continuous Hybrid Action Space for Robotic Assembly Tasks
UC Berkeley（加州大学伯克利分校）
本文介绍了一种离散-连续的动作空间来学习机器人装配任务的插入基元。原语是一系列带有特定退出条件的基本动作，例如“按下挂钩直到接触”。由于原语是机器人控制命令的抽象，并编码人类的先验知识，它降低了探索的难度，并产生更好的学习效率。在本文中，我们通过原语学习机器人装配技能。具体来说，我们制定插入原语参数化的行动：混合行动组成的离散原始类型和连续的原始参数。与以往的工作使用一组离散化的参数为每个原语，代理在我们的方法可以自由地选择原始参数从一个连续的空间，这是更灵活和有效的。为了学习这些插入原语，我们提出了双平滑多通道深度Q网络（TS-MP-DQN），这是MP-DQN的高级版本，具有双Q网络以减少Q值高估。在仿真和现实世界中进行了大量的实验验证。从实验结果来看，我们的方法取得了更高的成功率比三个基线：MP-DQN与参数化的行动，基元与离散参数，和连续的速度控制。此外，学习的基元对仿真到现实迁移是鲁棒的，并且可以推广到具有挑战性的装配任务，例如紧密的圆形钉孔和具有希望成功率的复杂形状的电连接器。实验视频可在https://msc.berkeley.edu/research/insertion-primitives.html上获得。
2021-10-25 cs.RO
PHASE: Compliance-Enabled Tactile Phase Retrieval for Few-Shot Insertion Learning
The University of Tokyo（东京大学）；OMRON SINIC X Corporation（欧姆龙SINIC X公司）
针对接触丰富插入任务少样本学习难的问题，提出PHASE框架，利用柔顺腕部触觉信号进行相位感知分割与检索，在真实销孔插入中成功率提升13个百分点，未见位置下提升30个百分点。
2026-09-28 cs.RO
