Peg-in-hole insertion

• 又稱: peg insertion, peg-hole assembly
• 類別: Planning & manipulation › Manipulation
• 標籤: assembly, contact-rich-manipulation, force-control, compliance, benchmark

把一個零件插入配合緊密的孔中；這是接觸密集組裝的標準基準，其間隙往往小於機器人的定位誤差。

定義

插銷入孔（peg-in-hole insertion）是一種組裝任務：把一個零件（插銷）推入與之配合的特徵（孔）中，兩者之間只有很小的間隙。它代表了大量真實的組裝作業：軸裝進軸承、銷裝進搪孔、連接器插進插座、扣件裝進孔中。由於這項任務說起來簡單、要可靠地做到卻很難，數十年來它一直是機器人組裝與力控制的標準測試。

困難在於，間隙通常比機器人定位、校正與感知誤差的總和還小。一個純粹以位置控制的機器人只要稍有偏差，不是對不準孔，就是用力壓在孔的邊緣上。因此，可靠的插入要利用接觸：機器人移動直到碰觸，利用量測到的力與力矩推斷自己如何錯位，再加以修正。經典的準靜態分析（尤其是 Daniel Whitney 的研究）描述了兩種主要的失效模式。卡死（jamming）發生在施加於插銷上的力與力矩比例不對、無法推動它的時候；楔住（wedging）則發生在插銷與孔在兩點接觸、摩擦把它鎖在原處的時候。插銷或孔上的倒角，以及腕部的柔順性，有助於把插銷導入。遠心柔順裝置（remote center compliance device）由 Charles Stark Draper Laboratory 開發，是一種被動式腕部裝置，它把柔順中心設在靠近插銷尖端的位置，讓接觸力能自行修正橫向與角度誤差。

典型的主動策略把任務分成幾個階段：接近；一邊輕壓表面，一邊以螺旋或傾斜的動作搜尋孔；在插銷部分落入孔中後進行對正；然後在力控制或阻抗控制下插入，同時監看是否卡死。視覺通常負責粗略對正，力感測則負責最後不到一公釐的部分。以學習為基礎的方法，包括強化學習，以及疊加在人工設計控制器上的殘差策略，常以插銷入孔作為基準測試；類別層級的方法也是如此，它們必須在沒有每個零件模型的情況下，插入形狀各異的零件。間隙接近零的連接器與卡扣零件，還需要在維持對正的同時推過干涉。

為何重要

插入是組裝中最常見的作業之一，也是在沒有精密治具與校正的情況下最難自動化的作業之一。能在不確定性下可靠完成插入的方法，是邁向不必重新設計就能更換零件的彈性組裝單元的關鍵一步。

主要應用

• 機械組裝中安裝銷、軸與軸承
• 電子組裝與充電中插接纜線與連接器
• 對力控制與接觸密集學習方法進行基準評測
• 扣件與螺絲的插入
• 零件幾何形狀各異的類別層級操作

實際應用

一家系統整合商要把鋼銷自動裝進機械加工的搪孔，但他們的機器人在校正後的定位誤差仍大於搪孔的間隙。他們沒有去追求更高的精度，而是在腕部裝上一個六軸力/力矩感測器，並執行一個橫向剛性較低的阻抗控制器。攝影機把零件定位到幾公釐以內。機器人在孔的上方接近，輕輕往下壓並畫出一個小螺旋；當向下的力下降、量測到的力矩顯示銷已開始進入時，它便切換到插入階段，一邊往下推，一邊讓腕部在側向順應。如果在到達目標深度之前，軸向力就升到門檻以上，控制器會把它視為卡死，稍微後退，並根據量測到的力矩做一個小的傾斜修正後重試。

常見誤解

• 更好的校正就不需要力感測 — 緊密配合的間隙通常小於標準機器人與攝影機所能達到的精度，因此仍需要以接觸為基礎的修正
• 用力推就能讓卡住的插銷進去 — 卡死與楔住來自接觸處的力方向與摩擦，額外的力通常只會讓情況更糟
• 插銷入孔是已經解決的玩具問題 — 簡單的幾何形狀掩蓋了真正的困難：緊密的間隙、可撓零件、多樣的材料與未知的零件形狀
• 柔順性必須來自控制器 — 被動式腕部柔順、零件上的倒角與治具設計，可以在沒有主動力控制的情況下完成大部分的工作

誰需要了解

• 組裝與自動化工程師
• 力控制與操作研究人員
• 研究接觸密集任務的機器人學習研究人員
• 自動化組裝用零件與治具的設計者

相關技術

• 遠心柔順裝置（Remote Center Compliance Device）
• 六軸力/力矩感測器（Six-Axis Force-Torque Sensor）
• 螺旋搜尋策略（Spiral Search Strategies）
• 接觸密集強化學習（Contact-Rich Reinforcement Learning）
• 倒角零件設計（Chamfered Part Design）

相關術語

• Impedance Control
• Hybrid Position/Force Control
• Passive Compliance
• Force/Torque Sensor
• Wrench
• Semantic keypoint

相關專案

• MuJoCo: DeepMind physics engine for robotics and ML research
• ManiSkill: GPU-parallelized simulation for generalizable manipulation skills
• robosuite: Modular MuJoCo simulation framework for robot learning research
• LIBERO: Lifelong robot learning benchmark with 130 procedural tasks
• Gymnasium-Robotics: Robotics RL benchmark environments for Gymnasium, from the Farama Foundation
• MetaWorld: Multi-task and meta RL benchmark for robotic manipulation