——Franka机器人渠道、市场、销售负责
——学术背景来自于哈尔滨工业大学、多伦多大学
全国咨询热线：
400 188 3810
Franka机器人专线
18018175378（同微信）

CoRL2025最佳论文: 麻省理工Fabrica，通用多部件装配的双臂机器人系统，全局规划与学习控制的深度结合

发表时间：2025-10-01 02:32作者：PNP机器人
CoRL2025最佳论文: Fabrica，通用多部件装配的双臂机器人系统，全局规划与学习控制的深度结合

来自麻省理工学院MIT：Fabrica: Dual-Arm Assembly of General Multi-Part Objects via Integrated Planning and Learning 提出一套面向通用多部件装配的双臂机器人系统。其核心是全局规划与学习控制的深度结合：规划器负责装配顺序、双臂抓取和运动路径的优化；强化学习策略在任务中心坐标系下执行残差修正，实现对不同几何和姿态的广泛泛化。系统还能自动生成支撑夹具，并可在仿真与真实环境中并行规划。实验表明，无需人类演示即可完成多类复杂装配，真实机器人单步成功率达约80%。Fabrica 在提升自动化装配的泛化性、稳定性与实用性方面迈出关键一步，为未来工业生产的高效自主装配提供了新的方法论与技术路线。
一、研究背景与动机
在机器人自动装配（robotic assembly）这个领域，长期以来面临几个主要挑战：首先是多部件（multi-part）装配任务往往需要多个步骤（multi-step）、产生接触（contact-rich）的操作，并且要处理复杂几何形状的零件。其次，虽然已有不少装配系统，但很多依赖于手工演示（demonstrations）或专门为某一种装配任务设计；不容易对新物件、新几何结构泛化。最后，机器人在装配过程中需要同时考虑全局规划（assembly sequence、装配顺序、运动路径等）与局部控制（接触控制、插入方向、夹持稳定性等），二者需要紧密配合。
论文 Fabrica 的目标是构建一个系统，使双臂机器人（dual-arm robot）能够在没有人类演示、没有专门为某类型零件设计的规则，仅依赖零件几何图、机器人配置等最少输入的条件下，实现通用性强的多部件装配（general multi-part objects）。换句话说，希望机器人能像“看几何图就能拼装”那样，有很强的自动化、泛化能力与稳定性。
二、方法概述与系统结构
Fabrica 系统可以粗略分为两大模块：全局规划（planning）与局部控制/学习（learning-based control）。下面分子部分详细说明：
全局规划层次
  • Precedence Planning（装配先后顺序规划）：识别哪些零件必须先装，哪些可以后装，这些先后关系是由零件之间的碰撞、遮挡、支撑等物理与几何约束决定的。系统自动构造部分顺序（precedence graph）来确定可行的装配顺序。
  • 双臂抓取过滤（Dual-Arm Grasp Filtering）：为零件生成可行的抓取方式（grasps），考虑抓取与持有过程中两臂之间的干涉、可达性、与零件几何形状等因素。提前在仿真中并行评估许多候选抓取姿态。
  • 序列-抓取优化（Sequence-Grasp Optimization）：不只是抓取要可行，还要选择“好”的抓取和装配顺序，以提升装配稳定性、减少抓取切换次数、保证夹持与接触稳定性（例如考虑零件支撑、接触质量、作用力矩等）。用动态规划或者树搜索等手段选择得分最高的序列与抓取方案。
局部控制／学习层面
  • 使用强化学习（Reinforcement Learning, RL）训练“通用策略（generalist policies）”，这些策略不依赖于具体零件的特定形状或具体任务，而是在多样的零件几何、不同装配方向、不同抓取姿态下学习。
  • 等变性（Equivariance）的利用：将所有装配动作在世界坐标系中变换到某个标准任务框架／路径中心(task-centric frame)，例如统一把插入方向看成自顶向下或某标准插入方向，以减少策略要处理的变形。这样策略可以在不同物体姿态之间共享经验。
  • 残差动作（Residual Action）：在执行装配步骤时，规划器提供一个粗略的“开环动作”（open-loop action），RL 策略仅学习在此之上的修正（correction）动作。这样做可以利用规划器的先验，缩小策略学习的空间，提升稳定性和收敛速度。
辅助硬件与夹具设计
系统中还有自动夹具／fixture 的生成，用于在拾取（pickup）阶段或者装配阶段支撑零件、对齐姿态，使零件在被夹取／搬运／插入时更加稳定、精确。这样减少夹持和重新定位的复杂性。
此外，全局规划阶段与运动规划（motion planning）被设计为可并行化（parallelizable）的，以提高效率，使系统能处理较长装配序列而不过于耗时。
三、实验与评估
Fabrica 在这篇论文中做了较系统的评估，既有仿真实验，也有真实机器人的实物装配实验。以下是评估方面的重点：
基准套件（Benchmark Suite）
作者构建了一组多种类别的装配任务（benchmark】，这些任务涵盖日常物品和工业零件，包括不同几何形状、插入方向（top-down 插入或侧插）、多个零件，具有一定复杂性。用以评估系统在不同情形下的泛化能力。
仿真实验
在仿真环境中，全局规划 + 动作策略被用来生成装配序列、抓取方案和夹具，验证规划器能否有效处理 precedence、collision、运动路径等问题，并能生成可行装配方案。结果显示规划效率与可行性较好。
真实世界实验
将仿真训练的策略零样本迁移（zero-shot transfer）到真实机器人上执行装配任务。作者报告，局部装配步骤成功率约为 80%。这个数字表明尽管存在现实中的摩擦、误差、视觉感知不精确等问题，该系统仍有较高实用性。
稳定性与对规划的依赖
评估中也表明，全局规划的质量（包括抓取姿态的选择、装配顺序）对最终执行的成功率至关重要。如果抓取不稳、顺序不好、夹具设计不恰当，局部策略也难以矫正错误。
四、优点与局限性
优点
  • 高泛化性（Generalizability）：系统可以处理多种几何形状、未曾见过的装配任务，且不依赖演示。这在自动装配系统中是极其重要的。
  • 集成规划与学习：将规划（sequence, grasp, motion）与学习（策略、局部修正动作）结合，在长序列任务中平衡全局与局部—即用规划给出结构化指导，用 RL 提供精细调节。
  • 双臂系统：使用双臂可以更好地处理支撑、夹持、协作操作，在处理装配中间状态的稳定性上有优势。
  • 效率与实用性：规划是并行化设计的；夹具自动生成减少手工设计；政策能零样本迁移到真实环境；真实场景中成功率达 80%，显示系统不仅能在实验室中工作，也有现实应用潜力。
局限性
  • 成功率并非完美：80% 的每步成功率意味着仍有约 20% 的失败，这是在真实世界中较大误差或操作失败概率。对于工业环境或完全自动化的生产线，这一失败率可能还不够稳定。
  • 复杂几何与高精度需求：对于非常精细或公差很小（tight tolerance）的插入操作、柔性材料、复杂表面摩擦特性，这种系统可能还难以满足要求。
  • 感知误差、执行误差：仿真与现实之间总有差距，包括视觉误差、抓取误差、机器人手臂定位误差、装配中零件的变形或不规则性等，这些在某些任务中可能导致失败。
  • 计算与规划规模：如果零件数目非常多、结构非常复杂（例如成百上千个零件、内部空间狭小、多体相互约束强），全局规划与抓取／路径规划树的搜索空间会变得非常大，可能导致规划时间或内存消耗较大。
五、与现有工作的对比
与那种只依赖经典任务与运动规划（Task & Motion Planning, TAMP）的系统比，Fabrica 在本地控制（插入、接触）上引入了学习策略，使装配动作更加精细与鲁棒。
与演示学习（Learning from Demonstration）或专门为某零件设计策略的系统比，Fabrica 的亮点在于不需要人为标注演示、不需要任务特定调优就能处理多个任务，有更好的自动化与泛化能力。
与仅在仿真中工作的系统比，Fabrica 在真实机器人上实验并零样本迁移，取得不错的成功率，提高了现实可部署性。
与那些注重抓取质量／插入方向／运动路径但缺少集成学习调节的系统比，Fabrica 在“抓取＋顺序＋策略”的整体优化上做得更加系统。
六、未来工作与应用展望
论文里也或可扩展或作者提到若干未来方向，以及从这项工作引发的应用可能性：
提升可靠性与成功率
通过更先进的感知（视觉／触觉反馈）、误差检测与修正机制（如视觉校正、力觉反馈）进一步降低失败率。
处理更复杂或精密任务
扩展到更小公差、更精细插入、更复杂结构的零件；甚至柔性材料、柔性装配件等非刚体对象。
扩展到更多臂数或不同抓手类型
例如多个机械臂协作、异构抓手（吸盘、软手指、柔性夹具等），以增加系统的灵活性。
改善规划与学习效率
优化规划树搜索、序列抓取评估、利用更高效的学习算法或模拟环境，以缩短训练与规划时间。
应用在工业环境
在真实工厂的生产线上将该系统集成，处理真实零件、生产线节奏、外部干扰、批量生产等挑战。
增强可解释性与安全性
考虑装配过程中的安全约束、可维护性、透明性，以及确保当策略失败或感知异常时有安全的回退机制。
总结
Fabrica 是一项在机器人装配领域迈出重要一步的研究：它将全局装配规划与本地接触／插入动作的学习融合起来，实现了双臂机器人的通用多部件装配能力，在没有人类演示的条件下，对新物件有较强的泛化性与实用性。尽管仍有失败率、复杂度和精度上的挑战，但其系统化的架构、评估与真实部署验证使其成为未来自动装配系统的一个很有价值的基准与起点。
文/PNP机器人，转载请授权

<<<  END >>>


关于集智联机器/PNP机器人

集智联机器人（Plug & Play Robotics），简称PNP机器人。PNP机器人团队成员均来自于ABB、Uninversal Robots(优傲机器人)等国内外机器人行业知名企业，学术背景来自于哈尔滨工业大学、多伦多大学、滑铁卢大学等，具有较强的学术背景。PNP机器人致力于为客户提供从硬件到软件的全方位支持，帮助客户快速实现机器人的部署与应用，提升生产效率和智能化水平。


PNP机器人成立以来，先后获得“江苏省双创人才”、“姑苏领军”、“崇本领军、“吴江领军”等人才领军企业称号，公司具有较强科研能力，公司持续研发投入拥有技术发明等多项专利，是高新技术企业，科技中小企业；得益于推动在具身智能领域的最新技术和落地，PNP机器人获得”2024年中国科研贡献奖“。

PNP机器人在具身智能方向和思灵机器人以及旗下Franka机器人金牌合作，聚焦面向生活和工业场景的单臂/双臂数据采集场景，致力于机器人即插即用（Plug & Play）技术和具身智能通用解决方案。

www.pnprobotics.com   (PNP机器人官方网站)

sales@pnprobotics.com (官方邮箱/Email Add.)

180 1817 5378（微信同号）


关注具身智能，关注PNP公众号

图片

具身智能技术对接/具身群

180 1817 5378（微信同号）

图片


分享到：
Plug & Play Robotics
集智联机器人（苏州）有限公司

首页                     关于我们                    产品中心                     新闻中心                    联系我们
联系信息                            联系电话：86 138 1609 4093         联系邮箱：sales@plugplayrobotics.com            联系地址：江苏省苏州市吴江智能制造产业园C1栋