基于机器人技能的电气总线装配仿真学习
机器人学
2026-02-17 v1
摘要
本文提出了一种仿真驱动的方法，用于自动化控制电气端子在 DIN 轨道上的夹接装配，该任务传统上受限于高编程工作量和产品变异性。该方法将深度强化学习（DRL）与可参数化的机器人技能集成到基于物理的仿真环境中。为真实建模夹接装配过程，我们开发并评估了两种接合模型：基于梁理论的解析模型和在 MuJoCo 物理引擎中实现的刚体模型。这两种模型使我们能够准确模拟相互作用力，这对于训练 DRL 智能体至关重要。机器人技能采用 pitasc 框架进行结构化，允许模块化、可重用的控制策略。仿真中采用 Soft Actor-Critic (SAC) 和 Twin Delayed Deep Deterministic Policy Gradient (TD3) 算法进行训练。应用域随机化以提高鲁棒性。训练得到的策略被直接迁移到物理 UR10e 机器人系统中，无需额外调优。实验结果在仿真和实际环境中均显示出最高可达 100% 的成功率，即使在显著的位移和旋转偏差下也能实现。该系统对新的端子类型和位置具有良好的泛化能力，显著减少了手动编程工作量。这一工作凸显了将仿真学习与模块化机器人技能结合用于小批量制造中灵活、可扩展的自动化的潜力。未来工作将探索混合学习方法、自动环境参数化以及进一步细化接合模型以进行设计集成。
引用
@article{arxiv.2602.14561,
title = {Simulation-based Learning of Electrical Cabinet Assembly Using Robot Skills},
author = {Arik Laemmle and Balázs András Bálint and Philipp Tenbrock and Frank Naegele and David Traunecker and József Váncza and Marco F. Huber},
journal= {arXiv preprint arXiv:2602.14561},
year = {2026}
}
备注
20 pages, 14 Figures