在现代工厂中，装配是一类看似简单、实则极其复杂的任务。对人来说，把零件对准、插入、旋紧或调整位置，往往依靠的是手眼协调和长期积累的操作经验；但对机器人而言，这些动作却充满挑战。零件之间微小的偏差、接触瞬间产生的阻力、柔性部件的形变，甚至工具使用时角度和力度的变化，都可能让机器人“卡住”“插偏”或“装不上”。
如何让机器人不只会完成规则清晰、动作单一的搬运任务，而是真正掌握复杂装配中的“手感”和“经验”？近日，机电设计与知识工程研究所胡洁教授、戚进副研究员团队围绕这一问题，提出了人机在环装配模仿学习系统HAIL，为真实工业场景中的复杂机器人装配任务提供了新的研究平台和方法路径。相关成果以“HAIL: Human-in-the-loop Assembly Imitation Learning System”为题发表于Journal of Manufacturing Systems上。博士生赵乾佑为论文第一作者。
HAIL：人机在环装配模仿学习系统
传统机器人学习研究中，许多装配任务往往停留在仿真环境或较为简化的抓取、放置场景中。然而，真实工业装配远比“拿起零件再放下”复杂得多。机器人不仅要知道“下一步做什么”，还要理解“怎样接近零件、如何对准孔位、什么时候施加压力、出现卡滞时如何调整”。这些能力很难仅靠预设程序获得，也难以通过单一任务测试全面评价。
针对这一瓶颈，研究团队构建了 HAIL 系统，将人的操作经验引入机器人学习过程。可以把它理解为一种“人带机器人学装配”的新方式：研究人员借助人机在环和混合现实技术，让人类操作者能够参与复杂装配任务的数据采集、示范和修正，使机器人在真实操作过程中学习人的动作策略与判断经验。与其让机器人在大量试错中“盲目摸索”，HAIL 更像是为机器人安排了一位经验丰富的“师傅”，帮助它在关键环节理解装配动作背后的逻辑。
为了让机器人装配能力的评价更加接近真实制造需求，团队进一步构建了真实机器人装配基准，围绕高精度装配、工具介导操作、约束拆装和柔性部件处理等典型工业场景，设计了一系列具有代表性的任务。这些任务不仅覆盖了制造现场常见的装配环节，也更好地反映了复杂装配中“接触多、约束强、步骤长、误差易累积”的特点。
8种典型装配任务
在此基础上，研究团队将复杂装配过程进一步拆解为抓取、放置、旋转、移动、移动—旋转等基础动作单元。这样的拆解使研究人员能够更清楚地观察机器人究竟在哪一步成功、在哪一步失败，以及失败背后可能对应怎样的物理原因。例如，在插入类任务中，失败往往不是某一个动作瞬间造成的，而是接近、对位、接触、插入等多个阶段的微小误差逐渐累积，最终导致卡滞、偏斜或楔紧。HAIL 因此不仅关注“机器人有没完成任务”，更关注“它为什么能完成、为什么会失败”。
插销任务的失效分析
这种评价方式使机器人装配研究从单纯比较成功率，进一步走向对能力机制的分析。换句话说，HAIL 不只是一个测试平台，更像是一套“诊断工具”：它能够帮助研究人员看清机器人在复杂装配中的短板，识别哪些动作环节最容易出错，哪些物理约束最影响任务完成，从而为后续算法改进和系统优化提供依据。
该研究贯通了从数据采集、策略学习到真实性能评测的关键链路，为工业机器人进入更加复杂、精密和柔性的制造场景提供了可复现的平台支撑。未来，随着具身智能和智能制造的深度融合，类似 HAIL 的系统有望推动机器人在精密电子装配、人机协作生产、柔性制造和复杂装备制造等场景中发挥更大作用，让机器人从“会执行程序”进一步走向“会理解任务、会学习经验、会适应环境”。
该研究工作得到了国家自然科学基金的资助。
论文链接：https://doi.org/10.1016/j.jmsy.2026.04.020
学院OA系统
jAccount登录
ENGLISH
地址：上海市东川路800号36365线路检测中心no1闵行校区36365线路检测中心no1
邮编：200240
Email：sjtume@sjtu.edu.cn