日前，中心团队宋锐教授在机器人装配技能自主学习与泛化领域取得重要研究成果。研究论文以“Robot Skill Generalization: Feature-Selected Adaptation Transfer for Peg-in-Hole Assembly”为题发表在IEEE Transactions on Industrial Electronics（2023年影响因子为7.7）上。宋锐教授和山东建筑大学教师李凤鸣为共同通讯作者，中心博士生靳李岗为第一作者，山东大学为第一单位和通讯单位。
跨不同任务的技能泛化是目前机器人面临的一项具有挑战性的任务。在传统的基于机器人学习的研究工作当中，通常需要大量的环境交互成本或丰富的专家数据，会对机器人或操作对象造成极大的危害，且大量的交互数据的获取在实际应用中是不切实际的，难以满足现场制造需求。
鉴于此，本文提出特征-选择自适应迁移方法，旨在加速网络学习过程，减少交互过程带来的危害。在域适应的基础上，提取与目标域最大均值差异较小的源域数据，对目标域策略进行预训练。通过提取源领域和目标领域的共享特征，实现旧任务和新任务之间的知识迁移。并且，选择对目标域更有利的数据来更新网络，进一步提高网络训练的稳定性。实验表明，在仿真环境里装配间隙为0.6 mm和1 mm的环境下，装配成功率可分别达到99.4%和100%。此外，学习过程的稳定性相比传统方法平均提高10.98%。在真实物理实验中，所提出的方法可以快速适应到不同形状的轴孔装配以及复杂形状的电连接器上，在USB、RJ45以及圆形轴孔上的装配成功率可分别达84%、96.4%和100%。所提出的特征-选择自适应迁移方法弥补了机器人在与环境交互时数据与安全性的不足，提高了机器人技能学习的效率。
该研究得到了国家自然科学基金联合基金和面上项目、广东省重点领域研发计划等项目的支持，成果对于工业制造、航空航天等领域在非结构化、复杂多变的环境下机器人精密自动装配、装配技能的自主学习与多任务泛化，具有重要的科学意义和实际应用价值。
论文链接：https://ieeexplore.ieee.org/document/10110321
