接触技能模仿学习用于机器人无关的装配编程

机器人自动化是技术进步的关键驱动力。然而，人类工人的技能难以编程，且目前似乎未被技术系统匹敌。本工作中，我们提出一种数据驱动方法，利用长短期记忆(LSTM)网络从仿真环境中的人类演示提取并学习机器人无关的接触技能。我们的模型从物体相对运动中学习任务空间中的纠错力与力矩序列，工业机器人在真实装置上通过笛卡尔力控制方案执行该序列。该方案利用机械臂虚拟条件孪生体的前向动力学计算来求解逆运动学问题。我们通过一项装配实验评估了我们的方法，其中我们的算法处理零件倾斜与卡滞以取得成功。结果表明，该技能对任务空间中的定位不确定性以及机器人的不同关节配置均具有鲁棒性。借助我们的方法，非专家可以机器人无关的方式轻松编程力敏感装配任务。