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
Koala Gripper: Co-designing Robotic Grippers and Data-Capture Devices for Scaling Dexterous Manipulation Learning
本文提出协同设计框架，开发Koala Gripper系统，该系统兼具数据采集与机器人夹持器功能，可提升灵巧操作能力，经端到端管道验证能支持演示学习，助力扩展操作数据集规模。
2026-08-24 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
ARMBench: An Object-centric Benchmark Dataset for Robotic Manipulation
Amazon Robotics（亚马逊机器人公司）；Rutgers University（罗格斯大学）
本文介绍了Amazon Robotic Manipulation Benchmark（ARMBench），这是一个大规模的、以对象为中心的基准数据集，用于在仓库环境中进行机器人操作。现代仓库中的操作自动化需要机器人机械手来处理各种各样的对象，非结构化存储和动态变化的库存。这样的设置对在操纵期间感知对象的身份、物理特性和状态提出了挑战。用于机器人操作的现有数据集考虑有限的对象集合或利用3D模型来生成合成场景，在捕获各种对象属性、杂波和交互方面具有限制。我们提出了一个大规模的数据集，收集在亚马逊仓库使用机器人机械手执行对象从容器与异构内容分离。ARMBench包含图像、视频和元数据，对应于190K+唯一对象上的235K+拾取和放置活动。数据在不同的操作阶段被捕获，即，预拾取、转移期间和放置之后。基准任务提出凭借高质量的注释和基线性能评估提出了三个视觉感知的挑战，即1）在混乱中的对象分割，2）对象识别，和3）缺陷检测。ARMBench可以在http://armbench.com上访问
2023-03-29 cs.CV cs.RO
Contact-Rich Robotic Manipulation in Construction via Zero-Shot Learning: A Diffusion Policy-Guided Adaptive Control
Princeton University（普林斯顿大学）
本研究提出扩散策略与L1启发自适应控制器耦合的框架，实现建筑接触丰富型机器人装配的零样本仿真到真实迁移，在多类任务中取得高成功率，降低真实数据需求，推进多阶段装配自动化。
2026-08-25 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
Long-Reach Robotic Manipulation for Assembly and Outfitting of Lunar Structures
Stanford University（斯坦福大学）
本文提出一种紧凑且长距离的机器人操作装置，用于月球结构的装配与布线任务，通过减少结构变形和振动提高操作精度。
2026-03-31 cs.RO
Learning Diffusion Policies for Robotic Manipulation of Timber Joinery under Fabrication Uncertainty
Princeton University（普林斯顿大学）；University of Michigan（密歇根大学）
本文研究了在建筑施工中使用扩散策略学习提升机器人装配的鲁棒性和精度，通过紧密契合的木构接合作为案例，证明扩散策略能通过接触感知控制补偿对齐误差。
2026-08-25 cs.RO
Eye-in-Finger: Smart Fingers for Delicate Assembly and Disassembly of LEGO
Carnegie Mellon University（卡内基梅隆大学）；Robotics Institute（机器人研究所）
本文提出“指中眼”工具设计，在工具尖端嵌入低成本高分辨率感知，通过乐高装配拆卸任务验证其能以亚毫米精度实时校正对准误差，将校准误差容忍度从0.4mm提升至2.0mm。
2025-03-10 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
Autonomous Industrial Assembly using Force, Torque, and RGB-D sensing
University of Colorado, Boulder（科罗拉多大学博尔德分校）；Robotic Materials Inc.（机器人材料公司）
我们为机器人操作系统提供了算法和结果，该系统旨在易于编程并适应工业环境中常见的各种任务，其灵感来自2018年东京世界机器人峰会上的工业装配挑战赛。这项挑战包括将标准的商用工业零件组装成2D和3D组件。我们展示了三个任务，可以分为“钉在孔”和“孔上钉”的任务，并确定两个典型的算法：螺旋搜索和倾斜插入。这两种算法都在力和扭矩域中使用手动编码的阈值来检测组件中的关键点。在简要总结了最先进的研究后，我们描述了测试系统所采用的策略和方法，它的设计如何影响其性能，每个任务的20个实验试验的统计数据，在系统开发过程中吸取的经验教训，以及仍然存在的开放研究挑战。
2020-02-07 cs.RO
Benchmarking Off-The-Shelf Solutions to Robotic Assembly Tasks
X, The Moonshot Factory（X公司，Moonshot工厂）；New England Robotics Validation and Experimentation (NERVE) Center, University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校，新英格兰机器人验证与实验中心）
近年来，已经研究了许多基于学习的方法来实现机器人操作和装配任务，通常包括视觉和力/触觉反馈。然而，它仍然经常不清楚什么是基线的最先进的性能和什么是瓶颈问题。在这项工作中，我们评估了一些现成的（OTS）的工业解决方案，最近推出的基准，美国国家标准与技术研究所（NIST）的装配任务板。介绍了一组装配任务，并提供了基线方法来了解其内在的困难。然后评估多个基于传感器的机器人解决方案，包括混合力/运动控制和2D/3D模式匹配算法。还提供了完成这些任务的端到端集成解决方案。整个研究的结果和发现揭示了阻碍OTS解决方案采用的一些值得注意的因素：专业知识依赖，适用性有限，缺乏互操作性，没有场景感知或错误恢复机制，以及高成本。本文还提供了一个客观的基准性能的NIST组装任务板上的第一次尝试作为参考比较，为今后的工作在这个问题上。
2021-03-08 cs.AI cs.RO
Anomaly detection for generic failure monitoring in robotic assembly, screwing and manipulation
Department of Automation at Fraunhofer IPK（弗劳恩霍夫研究所自动化部门）；Department of Industrial Automation Technology at TU Berlin（柏林技术大学工业自动化技术部门）
本文提出了一种适用于多种机器人任务的异常检测方法，通过比较不同自编码器方法，验证了其在不同任务和控制策略中的泛化能力，并展示了在布线和拧螺钉任务中高可靠性的检测效果。
2026-02-23 cs.RO
Fast Explicit-Input Assistance for Teleoperation in Clutter
University of Washington（华盛顿大学）；NVIDIA（英伟达）；Georgia Institute of Technology（佐治亚理工学院）
针对杂乱环境下基于预测的遥操作辅助因意图推断不准导致性能下降的问题，提出可通过指向末端执行器显式传递目标的辅助界面，用户研究证实其更受偏好、抓取失败更少且认知负荷更低。
2024-10-07 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
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
Learning thin deformable object manipulation with a multi-sensory integrated soft hand
School of Artificial Intelligence, Jilin University（吉林大学人工智能学院）；Hong Kong University of Science and Technology（香港理工大学）
针对机器人操作薄型可变形物体的难题，提出集成被动顺应性软手与多感官反馈的无模型强化学习方案，实现无需精确控制的灵巧操作，并在真实机器人上完成展示布料和翻乐谱等任务。
2025-07-08 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
Planning Grasps for Assembly Tasks
Osaka University（大阪大学）；National Inst. of AIST（国立先进工业科学技术研究所）
本文提出了基于模型的装配任务抓取规划算法。它专注于工业末端执行器，如抓手和吸盘，并计划把握配置考虑CAD模型的目标对象。所开发的算法能够稳定地规划大量高质量的抓取，具有高精度和对CAD模型质量的依赖性小。叠加分割技术是目前正在发展的核心技术，它通过将网格模型剥离成小平面来对网格模型进行预处理。该算法使用叠加段来定位接触点和平行面，并为流行的工业末端执行器合成抓取姿势。准备了几个可调参数来调整算法以满足各种要求。实验部分通过分析算法的成本和稳定性、计划抓取的精度以及模拟和真实世界实验的可调参数来展示算法的优势。此外，机器人装配系统的一些例子，使用所提出的算法来证明的有效性。
2019-03-05 cs.RO
BrickCraft-Duo: Efficient Dual-Arm Skill Learning and Refinement for Compositional Long-Horizon Assembly
Tsinghua University（清华大学）；Carnegie Mellon University（卡内基梅隆大学）
提出BrickCraft-Duo框架，通过数据高效的技能学习与组合，实现互锁砖块长时程双臂装配，在真实任务中达到至少60%长时程成功率。
2026-09-24 cs.RO
Maintenance automation: methods for robotics manipulation planning and execution
Machines and Manufacturing Units (ISW), University Stuttgart（斯图加特大学机床与制造单元研究所）；Institute of Control Engineering of Tool（工具控制工程研究所）
本文针对维护自动化需求，提出一套基于CAD与RGBD数据规划方法、可处理环境不确定性的完整机器人系统，能实现拆卸装配操作自动化并完成实验验证，为理论成果转化为实用方案迈出第一步。
2025-08-25 cs.RO
The Impact of Time Step Frequency on the Realism of Robotic Manipulation Simulation for Objects of Different Scales
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Michigan Technological University（密歇根理工大学）；The Pennsylvania State University（宾夕法尼亚州立大学）
本研究评估时间步频率和组件尺度对机器人操作仿真精度的影响，发现提高小尺度物体时间步频率可改善精度，并为机器人装配中的Sim2Real迁移改进提供起点。
2023-10-12 cs.AI cs.RO
Prompt-to-Product: Generative Assembly via Bimanual Manipulation
Carnegie Mellon University（卡内基梅隆大学）
本文提出 Prompt-to-Product 自动化流程，结合 LEGO 积木生成式设计与双臂机器人操作，从自然语言提示直接构建真实装配产品，显著降低装配创作门槛和人工成本。
2025-08-28 cs.AI cs.RO
Assembly of randomly placed parts realized by using only one robot arm with a general parallel-jaw gripper
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；The Chinese University of Hong Kong（香港中文大学）
在工业装配线中，零件上料机被广泛地用作整个装配过程的序幕。它们的作用是将随机放置在箱子中的零件分类到具有指定姿势的状态。在零件送料机的帮助下，机械臂的后续装配过程始终可以从相同的条件开始。因此，期望将分型送料机与机器人装配的功能整合在一个机械手臂上，此方案可提供极大的灵活性，并有助于降低成本。该方案的困难在于，在零件进给阶段，零件在抓取后的姿态可能不适合后续装配。有时甚至不能保证稳定的把握。在本文中，我们提出了一种方法，集成零件的进给和装配在一个机器人手臂。该建议利用一个专门设计的夹持器尖安装在一个双指夹持器的钳口。改进后的夹持器实现了对被夹持物的手控操作，保证了对被夹持物的姿态和偏移位置的控制。通过一个模拟装配的实例验证了本文提出的方法的有效性。在该装配过程中，机器人手臂完成了零件从料仓中拾取和随后的钉孔装配。
2019-09-19 cs.CV cs.RO
Learning to Centralize Dual-Arm Assembly
Technical University of Munich（慕尼黑工业大学）
机器人操作器广泛应用于现代制造过程中。然而，它们在非结构化环境中的部署仍然是一个悬而未决的问题。为了应对现实世界的操作任务的多样性，复杂性和不确定性，它是必不可少的，以减少对环境特性的假设，开发一个灵活的框架。近年来，强化学习（RL）在单臂机器人操作中取得了很好的效果。然而，专注于双臂操作的研究仍然很少。从经典控制的角度来看，解决这样的任务往往涉及到复杂的建模的两个机械手和任务中遇到的对象之间的相互作用，以及两个机器人耦合在控制水平。相反，在这项工作中，我们探索了无模型RL对双臂装配的适用性。由于我们的目标是为一种不仅限于双臂装配，而且还包括双臂操作的方法做出贡献，因此我们将建模工作保持在最低限度。因此，为了避免对两个机器人和所使用的装配工具之间的交互进行建模，我们提出了一种模块化方法，该方法具有两个分散的单臂控制器，它们使用单个集中式学习策略耦合。我们通过仅使用稀疏奖励将建模工作减少到最低限度。我们的架构能够成功地组装和简单地从模拟转移到现实世界。我们证明了该框架的有效性双臂钉孔和分析样本效率和成功率为不同的动作空间。此外，我们比较不同的间隙和展示干扰恢复和鲁棒性的结果，当处理位置的不确定性。最后，我们zero-shot的政策在模拟训练转移到现实世界中，并评估其性能。
2021-12-06 cs.AI cs.LG cs.RO
Auto-Assembly: a framework for automated robotic assembly directly from CAD
Arrival（Arrival公司）
在这项工作中，我们提出了一个框架，称为自动装配的自动化机器人装配从设计文件，并展示了一个实际的实施模块化零件连接通过紧固使用一个机器人单元组成的两个机器人。我们通过在不同的输入设计上进行测试，展示了该方法的灵活性。自动装配由几个部分组成：设计分析、装配序列生成、工艺清单（BOP）生成、BOP到控制代码的转换、路径规划、仿真以及执行控制代码以在物理环境中装配零件。
2023-01-06 cs.RO
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
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
Learning Object Manipulation With Under-Actuated Impulse Generator Arrays
Mitsubishi Electric Research Labs（三菱电机研究实验室）
半个多世纪以来，振动碗式喂料机一直是自动化装配的标准，用于小零件的分离、定向和操作。不幸的是，这些馈线是昂贵的，噪音大，高度专业化的一个单一的部分设计的基础。我们考虑一种替代设备和学习控制方法，通过七个固定位置的可变能量螺线管脉冲致动器位于半刚性部分支撑表面下方的分离，定向和操纵。使用计算机视觉来提供零件姿态信息，我们测试了各种机器学习（ML）算法，以生成选择最佳致动器和致动能量的控制策略。我们的操作测试对象是一个6面骰子。使用最合适的ML算法，我们能够用单个脉冲将骰子翻转到任何所需的面30.4%的时间，用两个选择的脉冲将骰子翻转到任何所需的面51.3%，而随机策略成功的时间为5.1%（即，由随机选择的螺线管提供随机选择的脉冲）。
2023-03-06 cs.RO cs.SY eess.SY
Towards Precise Robotic Grasping by Probabilistic Post-grasp Displacement Estimation
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
精确的机器人抓取对于许多工业应用是重要的，例如装配和装配，其中需要控制和知道物体的位置。然而，由于感测和控制中的噪声以及未知的物体属性，实现精确的抓握是具有挑战性的。我们提出了一种方法来规划机器人的把握，都是强大的和精确的训练两个卷积神经网络-一个预测的鲁棒性把握和另一个预测的分布后把握对象位移。我们的网络在超过1000个工业零件的数据集上进行了深度图像仿真训练，并成功部署在真实机器人上，而无需进一步微调。建议的位移估计器实现了0.68厘米和3.42度的平均预测误差在现实世界的实验中的新对象。
2019-09-04 cs.CV 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
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
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
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
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
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
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
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
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
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
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
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
Sim-to-Real Transfer of Robotic Assembly with Visual Inputs Using CycleGAN and Force Control
Technische Universität München（慕尼黑工业大学）；Agile Robots AG（敏捷机器人公司）；Universität Hamburg（汉堡大学）
最近，深度强化学习（RL）在机器人操作应用中取得了一些令人印象深刻的成功。然而，由于样本效率和安全问题，在现实世界中训练机器人是不平凡的。仿真到现实迁移被提出来解决上述问题，但引入了一个新的问题，称为现实差距。在这项工作中，我们引入了一个模拟到真实的学习框架，用于基于视觉的装配任务，并通过使用来自单个相机的输入来解决上述问题，在模拟环境中进行训练。我们提出了一种基于周期一致生成对抗网络（CycleGAN）的领域自适应方法和一种力控制转移方法来弥合现实差距。我们证明了在模拟环境中训练的建议框架可以成功地转移到一个真正的钉孔设置。
2022-08-30 cs.RO
Reinforcement Learning with Parameterized Manipulation Primitives for Robotic Assembly
Singapore Centre for 3D Printing (SC3DP)（新加坡3D打印中心（SC3DP））；School of Mechanical and Aerospace Engineering, NTU（南洋理工大学机械与航空航天工程学院）；Eureka Robotics（尤里卡机器人公司）
针对机器人装配中人工设计的状态机式操作基元策略难以应对意外状况的问题，提出用强化学习学习参数化操作基元的动态序列，提升了装配性能与样本效率，在高精度插销任务上实现了优异的零样本仿真到现实迁移效果。
2023-06-11 cs.RO
