建筑中用于混凝土孔的铆钉插入是一个钉孔任务，为了减轻自动化这一任务所面临的挑战，我们引入了一个针对光照和孔面条件具有鲁棒性的视觉和感知数据驱动的机器人控制模型。该模型通过空间注意点网络和深度增强学习策略的联合训练，以端到端的方式来控制机器人。该模型通过离线训练，在减少训练时间和最小化将模型转移到实际世界时的现实差距方面具有高效率。通过在 12 个未知孔上进行工业机器人的评估实验，从 16 个不同的初始位置开始，并在三种不同的照明条件下（其中两种有误导性阴影），我们证明了空间注意点网络即使在具有挑战性的光照条件下也能够生成相关的图像关注点。我们还展示了所提出的模型使任务执行的成功率更高，并且任务完成时间更短，高于各种基准。由于所提出的模型在严峻的光照、初始位置和孔条件下的高效性，以及离线训练框架的高样本效率和短训练时间，这种方法可以很容易地应用于建筑领域。

Dec, 2023

通过强化学习训练循环神经网络，机器人成功地在高精度装配机械零件过程中，表现出更高的精度和鲁棒性。

Aug, 2017

利用深度强化学习，在少量人类演示的情况下，无需模拟和建模就能达到高效且稳健地解决插入问题的效果，且在插入位置具有差异的情况下依然有效。

Oct, 2018

通过深度强化学习，在高度并行化的仿真环境中，利用程序生成和域随机化的方法，提出了一种新颖的学习自主针孔装配的方法，以增强自主系统的泛化性和适应性，评估了三种不同的强化学习算法，并展示了智能机器人系统在太空中学习中的潜力。

May, 2024

本文提出了一种基于学习的视觉针孔方法，能够通过模拟对多种形状进行训练，并以最小的模拟到真实世界成本适应任意未见形状。

May, 2022

本文介绍了一种基于神经网络模型的机器人搜索策略自动优化方法，通过在大量虚拟环境中训练和少量真实环境测试进行反演，能够适应底层概率分布的时间变化特征，同时减少实际测试的数量，并在螺旋和探头搜索 THT 电子组件装配的两个工业机器人上进行了评估。

Jul, 2022

这项研究使用软手腕来解决机器人装配中具有代表性且具有挑战性的插入孔位任务，其可以比刚性手腕更安全操作且容忍较低频率的控制信号。我们使用部分可观察的形式并通过展示学习和基于记忆的深度强化学习来训练一个完全基于触觉和本体感知信号行动的智能体。此外，我们利用潜在的领域对称性以提高样本效率，并通过构建辅助损失推动智能体遵守对称性。在模拟环境中，我们的智能体在五个不同的对称插头形状上显示出与基于状态的智能体相当甚至更好的性能。特别是，样本效率还使我们能够在 3 小时内直接在真实机器人上学习。

Feb, 2024

本研究介绍了 PolyFit，一种基于力 / 力矩的监督学习框架，用于 5 自由度的装配任务，通过准确评估外部姿态并调整销的姿态来纠正错位，以实现出色的销入孔成功率。同时，该研究提出了适用于真实世界应用的 sim-to-real 自适应方法，通过 sim-real 成对数据集实现对复杂和未知多边形形状的有效泛化。

Dec, 2023

本研究主要评估和基准测定在物体装配任务中视觉表示的鲁棒性。研究采用了一个视觉运动策略学习的通用框架，将预训练模型用作视觉编码器，并发现从头开始训练的视觉编码器在双臂操纵设置中表现出更好的性能，而现有的预训练模型则不足以满足此任务所需的重要视觉特征。此外，研究还讨论了旋转表示和相关损失函数，这些能够大幅提高策略学习的效果，提出了一种用于评估视觉运动策略学习进展的新型任务场景，特别关注提高复杂装配任务的鲁棒性，需要同时进行几何和空间推理。

Oct, 2023

该研究提出了一种基于得分函数的 DNN 体系结构搜索算法，以获得比参考 DNN 更小的准最优 DNN 以近似运算符，从而在训练和评估时需要更少的计算资源，同时提供与原始大型 DNN 相当的准确性。

Jul, 2022