学习用于机器人装配的仿人力学策略

机器人装配任务的编程是制造与自动化中的关键组成部分。然而，力敏感装配常需要反应式策略以应对定位的微小变化与未预见的零件卡滞。从人类操作中学习此类策略是一种有前景的方法，但面临两个常见挑战：难以从演示中捕捉的低零件间隙，以及无真实硬件条件下离线学习直观策略。我们通过从易于在无机器人仿真中由人类用操纵杆演示离线获取的数据学习概率力学策略，来解决这两大挑战。我们结合长短期记忆网络（LSTM）与混合密度网络（MDN）来建模仿人行为，使所学策略能轻松迁移至真实硬件。实验展示了一台 UR10e 机器人完成了间隙小于 100 微米的塑料装配，其策略仅在仿真中被演示。