Peg-in-hole insertion

• 又称: peg insertion, peg-hole assembly
• 类别: Planning & manipulation › Manipulation
• 标签: assembly, contact-rich-manipulation, force-control, compliance, benchmark

把一个零件插入配合紧密的孔中；这是富接触装配的标准基准，其间隙往往小于机器人的定位误差。

定义

轴孔插入（peg-in-hole insertion）是一种装配任务：把一个零件（轴/销）推入与之配合的特征（孔）中，两者之间只有很小的间隙。它代表了大量真实的装配操作：轴装入轴承、销装入镗孔、连接器插入插座、紧固件装入孔中。由于这项任务描述起来简单、可靠完成却很难，几十年来它一直是机器人装配和力控制的标准测试。

困难在于，间隙通常小于机器人定位、标定和感知误差的总和。一个纯位置控制的机器人只要稍有偏差，要么对不准孔，要么重重压在孔的边缘上。因此，可靠的插入要利用接触：机器人移动直到触碰，利用测得的力和力矩推断自己如何错位，然后加以修正。经典的准静态分析（尤其是 Daniel Whitney 的工作）描述了两种主要的失效模式。卡阻（jamming）发生在施加于轴上的力和力矩比例不当、无法推动它的时候；楔紧（wedging）发生在轴与孔在两点接触、摩擦把它锁死在原位的时候。轴或孔上的倒角以及腕部的柔顺性有助于把轴引导进去。远中心柔顺装置（remote center compliance device）由 Charles Stark Draper Laboratory 开发，是一种被动腕部装置，它把柔顺中心设置在靠近轴尖端的位置，使接触力能够自行修正横向和角度误差。

典型的主动策略把任务分成几个阶段：接近；在轻压表面的同时，以螺旋或倾斜的动作搜索孔；在轴部分落入孔中后进行对准；然后在力控制或阻抗控制下插入，同时监视是否卡阻。视觉通常负责粗对准，力传感负责最后不到一毫米的部分。基于学习的方法，包括强化学习以及叠加在人工设计控制器上的残差策略，常以轴孔插入作为基准测试；类别级方法也是如此，它们必须在没有每个零件模型的情况下插入形状各异的零件。间隙接近于零的连接器和卡扣零件，还要求在保持对准的同时推过过盈。

为何重要

插入是装配中最常见的操作之一，也是在没有精密夹具和标定的情况下最难自动化的操作之一。能在不确定性下可靠完成插入的方法，是迈向无需重新设计即可切换零件的柔性装配单元的关键一步。

主要应用

• 机械装配中安装销、轴和轴承
• 电子装配和充电中插接线缆与连接器
• 对力控制和富接触学习方法进行基准测试
• 紧固件与螺钉的插入
• 零件几何形状各异的类别级操作

实际应用

一家集成商要把钢销自动装入机加工的镗孔中，但所用机器人在标定后的定位误差仍大于镗孔间隙。他们没有去追求更高的精度，而是在腕部安装一个六轴力/扭矩传感器，并运行一个横向刚度较低的阻抗控制器。相机把零件定位到几毫米以内。机器人在孔的上方接近，轻轻向下按压并画出一个小螺旋；当向下的力下降、且测得的力矩表明销已开始进入时，它切换到插入阶段，一边向下推，一边让腕部在侧向顺应。如果在到达目标深度之前轴向力升高到阈值以上，控制器就将其视为卡阻，稍微后退，并根据测得的力矩做一个小的倾斜修正后重试。

常见误解

• 更好的标定使力传感变得没有必要 — 紧配合的间隙通常小于标准机器人和相机所能达到的精度，因此仍需要基于接触的修正
• 用力推就能把卡住的轴推进去 — 卡阻和楔紧来自接触处的力方向和摩擦，额外的力通常会让情况更糟
• 轴孔插入是一个已经解决的玩具问题 — 简单的几何形状掩盖了真实的困难：紧配合间隙、柔性零件、多样的材料以及未知的零件形状
• 柔顺性必须来自控制器 — 被动的腕部柔顺、零件上的倒角以及夹具设计，可以在没有主动力控制的情况下完成大部分工作

谁需要了解

• 装配与自动化工程师
• 力控制与操作研究人员
• 研究富接触任务的机器人学习研究人员
• 自动化装配用零件和夹具的设计者

相关技术

• 远中心柔顺装置（Remote Center Compliance Device）
• 六轴力/扭矩传感器（Six-Axis Force-Torque Sensor）
• 螺旋搜索策略（Spiral Search Strategies）
• 富接触强化学习（Contact-Rich Reinforcement Learning）
• 倒角零件设计（Chamfered Part Design）

相关术语

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

相关项目

• 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