2023年1月，国际期刊《IEEE Transactions on Automation Science and Engineering》（简称TASE）录用论文“An Efficient Robot Precision Assembly Skill Learning Framework Based on Several Demonstrations”。TASE是SCI二区 top期刊，涵盖机器人技术、控制理论、人工智能等领域。
在现代制造业中，机器人精密组装任务的重要性日益凸显，但其面临着诸多挑战。一方面，高精度组装任务对机器人的操作精度和稳定性要求极高，尤其是在多机器人协同操作中，不确定干扰因素众多，导致任务难度大幅增加。另一方面，传统机器人技能学习方法通常依赖于大量示范数据，这在实际应用中往往难以获取，且难以适应复杂多变的组装场景。此外，现有研究多集中于单机器人或弱耦合多机器人系统，而对于复杂且高度不确定的紧密耦合多机器人组装任务，研究相对较少。这种复杂任务不仅对机器人的运动控制提出了更高要求，还需要其具备实时调整和适应环境变化的能力。
针对上述问题，本研究提出了一种基于少量示范的高效机器人精密组装技能学习框架。该框架通过数据增强和混合探索策略，显著提高了机器人在有限示范数据下的学习效率和技能表现。此外，该框架还设计了一种模糊奖励函数，以平衡组装效率和顺应性，进一步优化了机器人的自学习能力。这种基于少量示范的学习方法不仅具有较高的实用性，还为机器人在复杂环境中的技能学习提供了新的思路。
原文链接：https://webofscience.clarivate.cn/wos/woscc/full-record/WOS:000751483900001