VLM-driven Skill Selection for Robotic Assembly Tasks
Department of AI Machinery, Korea Institute of Machinery & Materials（人工智能机械系，韩国机械材料研究院）
本文提出将视觉-语言模型与模仿学习相结合，通过结构化基元技能分解实现三维空间中的机器人装配操作，在保证可解释性的同时取得了较高成功率。
2025-11-07 cs.RO
Physics-Aware Combinatorial Assembly Sequence Planning using Data-free Action Masking
Westlake High School（西湖高中）
针对物理组合装配序列规划的组合挑战，提出带在线物理感知动作掩码的深度强化学习方法，在250余个Lego 3D结构装配任务中实现100%成功率，显著优于基线。
2025-03-23 cs.LG cs.RO
Density-based Feasibility Learning with Normalizing Flows for Introspective Robotic Assembly
German Aerospace Center (DLR)（德国航空航天中心）；Technical University of Munich（慕尼黑工业大学）
本文提出一种仅需可行示例的基于归一化流密度估计的可行性学习方法，将机器人装配可行性学习建模为分布外检测，在检测不可行装配上优于单类基线并显著节省内存。
2023-07-06 cs.LG cs.RO
On CAD Informed Adaptive Robotic Assembly
Autodesk Research（欧特克研究院）；Autodesk Fusion 360（欧特克Fusion 360部门）
我们介绍了一个机器人装配系统，它简化了从设计到制造的工作流程，从产品装配的CAD模型到完全编程和自适应的装配过程。我们的系统捕获（在CAD工具中）特定机器人工作单元的装配过程的意图，并生成任务级指令的配方。通过将视觉传感与深度学习的感知模型相结合，机器人可以从生成的食谱中推断出组装设计所需的必要操作。感知模型直接从模拟中训练，允许系统根据CAD信息识别各种零件。我们展示了系统的工作单元的两个机器人组装联锁3D零件设计。我们首先在模拟中构建和调整装配过程，验证生成的配方。最后，真正的机器人工作单元使用相同的行为组装设计。
2022-08-02 cs.RO
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
Assembly Sequence Planning for Motion Planning
National Institute of Advanced Industrial Science and Technology (AIST)（日本国立产业技术综合研究所（AIST））；Osaka University（大阪大学）
本文提出了一个规划器，以找到一个最佳的装配序列，装配多个对象。规划器的输入是对象的网格模型、组件中对象之间的相对姿态以及组件的最终姿态。输出是最佳组装序列，即（1）应该以哪个顺序组装物体，（2）应该从哪个方向放下物体，以及（3）每个物体的候选抓握。该规划器通过自动排列、评估和搜索可能的装配序列来找到最优解，同时考虑稳定性、可抓握性和可装配性。期望能指导机器人利用平移运动进行装配。输出为运动规划算法提供初始和目标配置。它可以被机器人使用，并使用几个模拟和真实世界的执行来演示。
2016-09-11 cs.RO
Dual-arm Assembly Planning Considering Gravitational Constraints
Osaka University（大阪大学）；National Inst. of AIST（国立先进工业科学技术研究所）
多个物体的双臂装配规划是一个具有挑战性的任务和运动规划（TAMP）问题。装配规划不仅要考虑物体和机器人的位姿约束，还要考虑可能破坏成品零件的重力约束。本文提出了一种规划器，规划的双臂装配三个以上的对象。自动生成抓取位姿和装配位姿，同时搜索和回溯抓取空间和装配空间，加速机器人手臂的运动规划。同时，该方法在机器人运动规划过程中考虑了重力约束，避免了成品零件断裂。在实验和分析部分，我们比较和分析了每个过程的时间成本和所提出的规划器中使用的不同参数的影响。最佳值用于执行各种机器人装配任务的实际执行。通过实验证明该规划器是鲁棒的和有效的。
2019-03-02 cs.RO
6D Robotic Assembly Based on RGB-only Object Pose Estimation
Tsinghua University（清华大学）
基于视觉的机器人装配是一项关键而又具有挑战性的任务，因为与多个物体的交互需要高精度。在本文中，我们提出了一个集成的6D机器人系统，感知，把握，操纵和组装块紧公差。为了提供一个现成的RGB唯一的解决方案，我们的系统是建立在一个单目6D对象姿态估计网络训练，利用基于物理的渲染的合成图像。随后，姿态引导的6D变换以及无碰撞装配被提出来构造具有任意初始姿态的任何设计结构。我们新颖的3轴校准操作通过解开6D姿态估计和机器人装配进一步提高了精度和鲁棒性。定量和定性的结果表明，我们提出的6D机器人装配系统的有效性。
2022-08-27 cs.CV cs.RO
Learning Pose Estimation for High-Precision Robotic Assembly Using Simulated Depth Images
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
当今大多数工业机器人装配任务需要固定的初始条件才能成功装配。这些限制导致了高生产成本和对新任务的低适应性。在这项工作中，我们的目标是通过使用3D CAD模型的所有部件进行组装，实现灵活和适应性强的机器人装配。我们专注于一个通用的装配任务-西门子创新挑战赛-其中机器人需要将一个高精度的齿轮状机构装配到操作系统中。为了获得这项任务和工业设置所需的毫米级精度，我们使用了安装在机器人末端执行器附近的深度相机。我们提出了一种基于深度卷积神经网络的高精度两阶段姿态估计过程，其中包括检测、姿态估计、细化以及处理部件的近对称和全对称。这些网络在模拟深度图像上进行训练，以确保成功传输到真实机器人。我们得到的平均姿态估计误差为2.16毫米和0.64度，导致91%的成功率为随机分布的零件的机器人装配。据我们所知，这是西门子创新挑战赛首次得到全面解决，所有部件的组装成功率都很高。
2019-03-23 cs.CV cs.LG cs.RO
JUICER: Data-Efficient Imitation Learning for Robotic Assembly
Harvard University（哈佛大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出JUICER流程，通过结合表达性策略架构与数据集扩展及模拟增强技术，在少量人类演示预算下提升机器人长时程装配任务的模仿学习性能，并在模拟中实现多部件组装，优于基线方法。
2024-11-11 cs.LG 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
A Framework for Fine Robotic Assembly
NTU（南洋理工大学）
精细的机器人装配，其中要装配的部件是小而脆弱的，并且位于非结构化环境中，仍然是当今工业机器人无法达到的。主要的困难出现在精确定位的零件在一个非结构化的环境和控制的接触相互作用。我们在本文中的贡献是双重的。首先，我们提出了一个分类的操作原语，具体涉及精细装配。考虑到现实世界装配任务的复杂性，这种分类对于设计可扩展的机器人系统（硬件和软件）至关重要。其次，我们提出了一个硬件和软件体系结构，我们已经解决了，在一个综合的方式，在精细装配，如工作空间优化，外部扳手补偿，基于位置的力控制等问题，最后，我们显示了一个高度灵巧的任务-双手引脚插入-这是我们的长期项目的关键步骤之一，上述分类和架构的行动，宜家椅子的自主组装。
2015-09-16 cs.RO
Robotic Assembly across Multiple Contact Stiffnesses with Robust Force Controllers
Nanyang Technological University（南洋理工大学）
主动力控制（AFC）是解决机器人高精度装配的重要方案。经典的力控制器是高度依赖于表面的：控制器必须仔细调整为接触的每种类型的表面，以避免不稳定性，并实现合理的性能水平。在这里，我们建立在最近开发的凸控制器合成（CCS），使高精度组装在广泛的表面刚度，而没有任何表面依赖的调整。具体来说，我们展示了钉孔组件与100微米的间隙，初始位置的不确定性高达2厘米，并为四种类型的钉孔材料-橡胶，塑料，木材，铝-其刚度范围从10到100 N/mm，使用一个单一的控制器。
2020-03-06 cs.RO
Compare Contact Model-based Control and Contact Model-free Learning: A Survey of Robotic Peg-in-hole Assembly Strategies
Tsinghua University（清华大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
在本文中，我们提出了一个概述的机器人销孔装配和分析两个主要的战略：接触模型为基础的和接触模型的战略。更具体地说，我们首先介绍了接触模型的控制方法，包括接触状态识别和顺应控制两个步骤。此外，我们专注于整个机器人装配系统的全面分析。其次，在没有接触状态识别过程的情况下，我们将接触无模型学习算法分解为两个主要的子领域：从演示中学习示教学习和从环境中学习（主要基于强化学习）。对于每个子领域，我们调查了标志性研究和正在进行的研究，以比较不同的类别。我们希望通过揭示潜在的联系来加强这两个研究群体之间的关系。最后，剩余的挑战和开放的问题，在该领域的机器人钉孔装配社区进行了讨论。展望了未来的研究方向和可能的工作。
2019-04-10 cs.RO
Human-in-the-loop Robotic Manipulation Planning for Collaborative Assembly
Osaka University（大阪大学）；University of California, Santa Cruz（加州大学圣克鲁兹分校）
提出了一种面向人机协同装配的机器人操作规划器。与以往研究一个独立的、完全配备人工智能的自主系统的方法不同，本文探讨了机器人和人之间的子任务分配，并研究了一个用于协同装配的人在回路机器人系统。该系统通过利用机器人和人类的优势，避免他们的缺点，分配装配的子任务。系统中的机器人将执行拾取和放置任务，并为人类提供工件。人类合作者将工作的精细操作，如对齐，固定，拧，等约束为基础的增量操作规划方法，提出了产生的机器人的运动。所提出的系统的性能证明，要求一个人和双臂机器人协作组装一个内阁。实验结果表明，所提出的系统和规划器是有效的，高效的，可以帮助人类舒适地完成装配任务。
2019-09-25 cs.RO
Folding Assembly by Means of Dual-Arm Robotic Manipulation
Royal Institute of Technology KTH（瑞典皇家理工学院）
本文提出一种适用于双臂机械手的折叠组装基本操作，用于更高层次的组装策略。通过实验验证了该方法在两个部件接触时的可行性。
2016-04-22 cs.RO cs.SY eess.SY
Subassembly to Full Assembly: Effective Assembly Sequence Planning through Graph-based Reinforcement Learning
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
本文提出 S2A 装配序列规划框架，采用基于图的强化学习与延迟奖励策略训练图注意力网络，有效解决零件数量增加导致的组合爆炸问题，并在仿真和真实机器人场景中验证了其有效性。
2024-09-20 cs.RO
String Diagrams for Assembly Planning
University of California Riverside（加州大学河滨分校）；Stanford University（斯坦福大学）；Siemens Corporate Technology（西门子公司技术部）
装配规划是企业面临的一个难题。许多学科，如设计，规划，调度和制造执行需要仔细设计和协调，以创建成功的产品装配计划。最近在装配设计领域的研究已经提出了新的方法来设计产品结构，以这种方式，他们的装配更容易。然而，目前的装配规划方法缺乏工程工具的支持，以捕捉所有的约束相关联的装配规划在一个统一的方式。本文提出了一个基于字符串图的装配规划框架CompositionalPlanning。在所提出的框架中，字符串图及其组成属性作为工程工具的基础，CAD设计与规划和调度算法进行交互，以自动创建高质量的装配计划。然后在模拟中执行这些装配计划，以测量其性能并可视化其关键构建特征。我们证明了这种方法在乐高组装域的多功能性。我们开发了两个参考乐高CAD模型，由CompositionalPlanning的算法管道处理。我们在Minecraft模拟中比较了顺序和并行装配计划，并表明我们的算法可以优化构建时间性能。
2020-05-11 cs.RO cs.SY eess.SY
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
Optimal Robotic Assembly Sequence Planning: A Sequential Decision-Making Approach
University of California Berkeley（加州大学伯克利分校）
本文提出将机器人装配序列规划建模为序贯决策问题，利用动态规划、图探索和强化学习求解最优装配策略，并在多个复杂结构上验证了方法的有效性。
2025-02-24 cs.RO
Industry 4.0 and Prospects of Circular Economy: A Survey of Robotic Assembly and Disassembly
尽管他们的贡献，金融效率和环境的可持续性的工业流程，机器人装配和拆卸已在现有的文献研究不足。这与它们在实现第四次工业革命中的重要性相矛盾。更具体地说，尽管大多数文献广泛讨论了如何最佳地组装或拆卸给定的产品，其他因素的作用被忽视了。例如，执行顺序计划所涉及的机器人类型，理想情况下，应该在设计、装配、拆卸和重新装配的整个链条中考虑到这一点。将上述操作与相关生态系统的其他组成部分隔离开来，可能会导致对基本程序的必要性和效率的错误推断。在本文中，我们试图减轻这些缺点，全面调查的国家最先进的机器人装配和拆卸。我们考虑和审查制造和再制造框架的各个方面，同时特别关注它们对支持循环经济的可取性。
2021-06-14 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
Towards Robotic Assembly by Predicting Robust, Precise and Task-oriented Grasps
Carnegie Mellon University（卡内基梅隆大学）；National Robotics Engineering Center（国家机器人工程中心）
面向任务的鲁棒抓取规划对于自主机器人精密装配任务至关重要。当确定要执行的适当抓握时，应结合对象的几何形状和目标任务的先决条件的知识。然而，有几个因素有助于实现这些把握的挑战，如控制机器人时的噪声，未知的对象属性，以及建模复杂的对象-对象交互的困难。我们提出了一种分解这个问题的方法，并通过学习三个级联网络来优化抓取鲁棒性，精度和任务性能。我们评估我们的方法在模拟上的三个常见的装配任务：插入齿轮到钉，对齐支架到角落，并插入形状到插槽。我们的政策是使用基于大规模自我监督抓取模拟与程序生成的对象的课程进行训练的。最后，我们用一个真实的机器人来评估前两个任务的性能，其中我们的方法对于支架插入实现了4.28mm的误差，对于齿轮插入实现了1.44mm的误差。
2020-11-04 cs.AI cs.LG cs.RO
Divide et Impera: Decoding Impedance Strategies for Robotic Peg-in-Hole Assembly
Massachusetts Institute of Technology（麻省理工学院）；Johns Hopkins University（约翰斯·霍普金斯大学）
本文基于EDA框架研究机器人销孔装配，通过聚类和PCA分析多种成功阻抗解的分布结构，并提出神经网络成功预测器来估计可行参数，从而减少试错调参并提升阻抗控制的可及性。
2025-03-09 cs.RO
LABIT: Long-Horizon Robotic Assembly Benchmark for Industrial Tasks
University of Applied Sciences Karlsruhe (HKA)（卡尔斯鲁厄应用科学大学（HKA））
针对传统机器人组装基准仅聚焦单一任务的不足，提出面向工业长 horizon 组装任务的 LABIT 基准，含多类 DIN 标准组装任务，用传统力-位置控制评估得到基线指标，可用于智能机器人系统鲁棒性评估。
2026-10-14 cs.RO
usBot: A Modular Robotic Testbed for Programmable Self-Assembly
University of Maryland, College Park（马里兰大学帕克分校）；King Abdullah University of Science & Technology（阿卜杜拉国王科技大学）
我们提出了一个新的模块化机器人系统的设计，表征和实验结果可编程自组装。该系统使用混合立方体模型（HCM），它集成了确定性和随机自组织模型的经典功能。因此，例如，模块就其运动而言是被动的（随机的），然而它们具有主动的出坞例程（确定性的）。这些机器人完全由容易接近的部件构成，与许多现有的机器人不同，它们的激励不是流体介导的。相反，驱动装置是一个固态、独立可编程和高度便携的平台。该系统能够在两个维度上展示完全自主和分布式的随机自组装。事实证明，它可以模拟几种现有模块化系统的性能，并有望为开发可编程自组装的通用测试平台做出巨大努力。
2019-06-30 cs.RO
Design of Adaptive Compliance Controllers for Safe Robotic Assembly
Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
插入操作是大多数机器人装配操作的关键要素，并且钉孔（PiH）插入是工业和学术操纵社区中最广泛研究的任务之一。PiH插入实际上是一整类问题，其中问题的复杂性可以取决于插入尝试期间的未对准和接触形成的类型。在本文中，我们提出了自适应顺应性控制器的设计和分析，可用于插入型装配任务，包括基于学习的顺应性控制器，可用于插入问题中存在的不确定性，在机器人装配过程中的目标位置。我们首先提出了顺应性控制器的设计，它可以确保安全操作的机器人，通过限制经验丰富的接触力在接触形成。因此，我们提出了接触形成过程中获得的力签名的分析，以了解执行插入所需的纠正措施。最后，我们使用建议的合规性控制器和学习模型来设计一个政策，可以成功地执行插入在新的测试条件下，几乎完美的成功率。我们验证所提出的方法在物理机器人试验台上使用6自由度机械臂。
2022-04-22 cs.RO
Backward Layout Search for Sequence-Constrained Robotic Assembly
College of Computer and Information Sciences, Fujian Agriculture and Forestry University（福建农林大学计算机与信息学院）；School of Mechatronic Engineering and Automation, Shanghai University（上海大学机电工程与自动化学院）；Department of System Innovation, Graduate School of Engineering Science, Osaka University（大阪大学工程科学研究生院系统创新系）
针对序列约束机器人装配布局规划的挑战，提出反向布局搜索（BLS）算法，通过反向分配零件初始位姿并结合多维度检查与波束选择，在5个装配模型上实现了更优的无碰撞布局规划，减少了评估次数与搜索时间。
2026-08-20 cs.RO
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
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
Error Identification and Recovery in Robotic Snap Assembly
Graduate School of Engineering Science, Osaka University（大阪大学工程科学研究生院）；Chinese University of Hong Kong（香港中文大学）
用于预测机器人卡扣接头组件的现有方法不能在故障发生之前预测故障。为了解决这个问题，本文提出了一种方法，预测错误发生之前的错误状态，从而使及时恢复。机器人卡扣接头装配需要精确定位;因此，即使零件之间存在微小偏移，也可能导致装配失败。为了正确预测错误状态，我们将功能主成分分析（fPCA）应用于在错误发生之前终止的6D力/扭矩曲线。通过将特征向量应用于决策树来识别错误状态，其中在每个节点处采用支持向量机（SVM）。如果估计精度较低，则执行额外的探测以更正确地识别错误状态。最后，在识别错误状态之后，机器人基于所识别的错误状态执行错误恢复运动。通过对四个卡扣接头塑料件装配的实验结果表明，该方法能够正确地估计出机器人的错误状态，并能使机器人从错误状态中恢复过来。
2021-03-24 cs.RO
REASSEMBLE: A Multimodal Dataset for Contact-rich Robotic Assembly and Disassembly
Autonomous Systems Lab, Institute of Computer Technology, TU Wien（自主系统实验室，计算机技术学院，维也纳技术大学）；Institute of Robotics and Mechatronics (DLR), German Aerospace Center（机器人与机电系统研究所（DLR），德国航空航天中心）
针对富接触机器人装配与拆卸任务，提出基于NIST基准的多模态数据集REASSEMBLE，包含4551次演示及多视角传感器数据，支持复杂操作学习研究。
2025-04-28 cs.RO
Long-Horizon Multi-Robot Rearrangement Planning for Construction Assembly
University of Stuttgart（斯图加特大学）；TU Berlin（柏林工业大学）；Bilkent University（比尔肯特大学）
针对建筑装配中大规模异构机器人团队的长时域协作问题，提出迭代分解子问题并结合优化与双向时空采样规划的多机器人重排规划系统，验证了鲁棒性、可扩展性和真实机械臂执行可行性。
2022-03-07 cs.RO
AssemLM: A Spatial Reasoning Multimodal Large Language Model for Robotic Assembly
Fudan University（复旦大学）；Institute of Artificial Intelligence (TeleAI), China Telecom（人工智能研究所（TeleAI），中国电信）；Tianjin University（天津大学）；Northwestern Polytechnical University（西北工业大学）；Tsinghua University（清华大学）；City University of Hong Kong（香港城市大学）
提出AssemLM，一种融合装配手册、点云和文本指令的多模态大语言模型，通过专用点云编码器提取几何与旋转特征，实现精确的6D装配位姿推理，并构建含90万样本的AssemBench基准，在真实机器人装配任务中取得最优性能。
2026-06-12 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
Leveraging Two Robotic Arms for Tight Assembly Performance Gains
Blavatnik School of Computer Science and Artificial Intelligence, Tel-Aviv University（特拉维夫大学布拉瓦特尼克计算机科学与人工智能学院）
该研究针对两个机器人手臂执行装配操作给出端到端框架，分析两臂同时操作优势，方法在模拟和实际机器人中实现，能减少执行时间、提升轨迹质量、加速搜索有效放置，还确定了机器人工作单元尺寸界限。
2026-07-21 cs.RO
CAD-Based Relation Learning and Geometric-Symbolic Planning for Robotic Assembly
Karlsruhe University of Applied Sciences (HKA)（卡尔斯鲁厄应用科学大学）
针对CAD数据不完善导致的装配序列规划难题，提出混合框架，结合神经网络关系提取、人在回路验证与几何符号规划，在ASAP数据集上实现85.83%成功率并大幅缩短规划时间。
2026-09-16 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
Robust 2D Assembly Sequencing via Geometric Planning with Learned Scores
Tel-Aviv University（特拉维夫大学）；Technion（以色列理工学院）；University of California, Berkeley（加州大学伯克利分校）
为了计算强大的2D装配计划，我们提出了一种方法，结合几何规划与深度神经网络。我们使用Box 2D物理模拟器并添加随机噪声来训练网络，以产生鲁棒性分数--计划装配运动的成功概率。由于对每个装配运动进行仿真是不切实际的，我们训练一个卷积神经网络来映射装配操作，以装配前后的图像对的形式给出，以获得鲁棒性分数。神经网络预测在规划器内用于快速地修剪掉不稳健的运动。我们证明了这种方法双手平面组件，其中的运动是一步平移。结果表明，神经网络可以学习鲁棒性规划鲁棒序列的速度比物理模拟快一个数量级。
2020-09-20 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
WorkBenchMark: A LEGO-Based Assembly Benchmark with an Assembly-by-Disassembly Baseline for the Smart Manufacturing League
Chair of Machine Learning and Reasoning (i6), RWTH Aachen University（亚琛工业大学机器学习与推理教席（i6））；MASCOR Institute, FH Aachen University of Applied Science（亚琛应用技术大学MASCOR研究所）
提出一个基于乐高Duplo的机器人装配基准，包含400个任务和四个复杂度层级，并提供一个基于规划的基线方法，在所有层级上优于现代视觉-语言-动作方法。
2026-06-23 cs.RO
From Perception to Symbolic Task Planning: Vision-Language Guided Human-Robot Collaborative Structured Assembly
Department of Civil, Environmental, and Construction Engineering, Texas Tech University（土木、环境与建设工程系，德克萨斯理工大学）
本文提出基于视觉语言模型的人机协作结构装配框架，通过感知到符号态和人感知规划模块提升动态环境下的态估计和任务规划鲁棒性。
2026-10-14 cs.RO
A Novel Design and Improvement of 15-Bar Assembly Tensegrity Robotics Structure
虽然最终目标是生产超过6个支柱的张拉整体，例如15杆张拉整体，但过去的经验表明，我们必须首先开发一种创新系统，以便于组装一般的n杆张拉整体。为了取得成功，我们认为新装配方法的开发不仅要包括夹紧系统的设计，还要包括张拉整体本身的设计，包括支柱、弹簧和弹簧-支柱连接器。因此，我们建议分两个阶段开发15杆：第一阶段将开发一种创新的组装方法，第二阶段将专注于15杆张拉整体的设计和制造，新的支柱设计可能是其中的一部分。长期目标将旨在重新包装新支柱上的无线电子设备，并增加编码器来控制电机轴的相位。
2022-09-30 cs.RO
Fabrica: Dual-Arm Assembly of General Multi-Part Objects via Integrated Planning and Learning
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；ETH Zurich（苏黎世联邦理工学院）；Autodesk Research（欧特克研究院）；Texas A&M University（德克萨斯A&M大学）
Fabrica提出双臂机器人多部件装配系统，通过分层规划与轻量强化学习相结合，实现无需领域知识或人类演示的通用真实世界装配。
2025-06-05 cs.RO
Coordinating robotized construction using advanced robotic simulation: The case of collaborative brick wall assembly
Technical University of Munich（慕尼黑工业大学）
本文提出一种多机械臂协作系统，通过仿真优化机器人基座、材料位置及配置，以最小化单个机械臂时间，实现高效砖墙装配。
2024-05-27 cs.RO
Assembly Planning by Subassembly Decomposition Using Blocking Reduction
University of Colorado Boulder（科罗拉多大学博尔德分校）；University of Utah（犹他大学）
复杂产品的装配顺序直接影响装配过程的易用性和效率，无论是由人还是机器人执行。因此，需要一种能给装配工最大的活动自由度的顺序。我们的主要贡献是一个零件之间的阻碍关系的拆卸干涉图（DIG）的表达。我们验证这种启发式开发的拆卸顺序规划，分区组件的方式，优先访问零件，导致计划的效率相媲美的两个国家的最先进的装配方法的总计划长度。使用DIG，我们的方法产生连续的子组件分解，产生一个树结构，使并行化的机会明显。我们的计划生成可行的拆卸计划，最大限度地减少我们的部分堵塞措施，从而表明，这一措施是一个有价值的除了装配序列规划工具包。
2019-07-08 cs.RO
Speech to Reality: On-Demand Production using Natural Language, 3D Generative AI, and Discrete Robotic Assembly
Computer Science and Artificial Intelligence Lab（计算机科学与人工智能实验室）；Massachusetts Institute of Technology（麻省理工学院）；Center for Bits and Atoms（比特与原子中心）；Department of Mechanical Engineering（机械工程系）
提出一种集成自然语言、3D生成式AI和离散机器人装配的系统，将语音转化为物理对象，通过离散化和修改AI生成的几何形状以满足制造约束，实现5分钟内按需生产。
2025-09-15 cs.AI cs.HC cs.RO
Fast and Accurate Data-Driven Simulation Framework for Contact-Intensive Tight-Tolerance Robotic Assembly Tasks
Seoul National University（首尔国立大学）；Samsung Research（三星研究院）
我们针对接触密集型紧公差机器人装配任务提出了一种新型快速准确的仿真框架。我们的框架的关键组成部分如下：1）具有特定可变输入网络的数据驱动的接触点聚类，该网络针对模拟精度（使用真实的实验数据）进行明确训练，并且能够适应复杂/非凸的物体形状; 2）接触力求解，其精确/鲁棒地执行接触的物理学（即，3）利用神经网络的接触检测，该神经网络对于每个接触点是并行的，因此，即使对于复杂形状的物体，也可以非常快速地计算，而不需要穷尽的成对测试; 4）采用PMI（被动中点积分）的时间积分，其离散时间无源性提高了整体仿真精度、稳定性和速度。然后，我们实现我们提出的框架，两个广泛遇到的/基准的接触密集型紧公差的任务，即，钉孔装配和螺栓螺母装配，并验证其速度和准确性对真实的实验数据。值得一提的是，我们提出的仿真框架也适用于其他一般的接触密集型紧公差机器人装配任务。我们还比较了它与其他物理引擎的性能，并通过虚拟螺栓连接任务的触觉渲染来证明它的鲁棒性。
2022-02-26 cs.RO
Assembly and Disassembly Planning by using Fuzzy Logic & Genetic Algorithms
提出了一种基于混合模糊逻辑-遗传算法（FL-GA）的产品自动装配拆卸序列规划方法。GA-模糊逻辑方法分为两个层次。第一级杂交包括基于遗传算法为装配或拆卸规划器的参数开发模糊控制器。该控制器作用于变异概率和交叉率，以便在算法运行时动态地调整它们的值。第二层次是用模糊函数识别最优装配或拆卸顺序，以便对装配/拆卸过程的技术知识进行更严密的控制。两个案例研究进行了分析，以测试模糊遗传算法的效率。
2004-12-11 cs.RO
Rearrangement Planning for General Part Assembly
Columbia University（哥伦比亚大学）；Google Deepmind（谷歌DeepMind）
本文提出通用零件装配任务，并设计基于Transformer的GPAT模型，通过推断零件与目标形状的对应关系来预测精确位姿，实验证明其泛化能力。
2023-09-03 cs.AI cs.RO
Safe and Uncertainty-Aware Robotic Motion Planning Techniques for Agile On-Orbit Assembly
Massachusetts Institute of Technology（麻省理工学院）；Institute for Systems and Robotics, Instituto Superior Técnico（高等技术学院系统与机器人研究所）
随着进入空间和机器人自主能力的发展，同时对部署大型复杂空间结构以提供新的在轨能力的兴趣也越来越大。新的太空观测站，大型轨道前哨站，甚至未来的在轨制造都将通过使用在轨增材制造等技术的空间结构机器人组装来实现，这些技术可以在构建甚至修复复杂硬件方面提供灵活性。然而，在操纵过程中，机器人装配机的动力学可能会在惯性不确定性下运行。因此，惯性估计的机器人和被操纵的组件系统必须考虑在结构装配。这项工作的贡献是解决机器人装配的运动规划和控制，同时考虑到组合的自由飞行机器人装配机和增材制造组件系统的惯性估计。具体来说，线性二次调节器快速探索随机树（LQR-RRT*）和动态可行路径平滑被用来获得无障碍轨迹的系统。此外，模型学习通过对连续系统的近似和伴随的执行安全、目标导向运动的奖励被明确地纳入规划阶段。剩余的不确定性，然后可以处理使用鲁棒管模型预测控制。通过获得控制轨迹，考虑避障和学习的惯性特性的自由飞行器和操纵组件系统，自由飞行器迅速考虑和计划的建设空间结构与增强的系统知识。该方法自然地推广到修理、加油和重新供应空间结构部件，同时在例如以下情况下提供最佳无碰撞轨迹，惯性不确定性
2021-02-20 cs.RO
Robust, Compliant Assembly via Optimal Belief Space Planning
Siemens Corporate Technology（西门子中央研究院）；University of Freiburg（弗莱堡大学）
在自动化制造中，机器人必须可靠地装配各种几何形状和低公差的零件。理想情况下，它们可以自主地计划所需的动作。由于高维状态空间和非线性接触动力学，这提出了一个实质性的挑战。此外，物体姿态和模型参数（如摩擦力）并不确切已知，并且是不确定性的来源。本文提出的方法模型的零件装配任务作为一个信念空间规划问题的基础阻抗控制，符合系统。为了解决这个规划问题，我们引入了一个渐进最优的信念空间规划器，通过扩展一个最优的，随机的，kinodynamic运动规划器的非确定性域。在可扩展性假设下，我们建立了概率完备性和渐近最优性。我们验证了我们的方法在彻底的，模拟和现实世界的实验中的多个装配任务。实验表明，我们的规划师的能力，可靠地组装对象，完全基于CAD模型作为输入。
2018-11-09 cs.RO
WRAP: Fixtureless Wrench-aware Multi-Robot Assembly Planning
ETH Zurich（苏黎世联邦理工学院）
本文提出WRAP，一种无夹具的力矩感知多机器人装配规划器，通过线性规划推理抓取支撑力，结合启发式搜索与运动规划，实现灵活装配，并在仿真和现实中验证。
2026-09-25 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
