精密轴孔装配是工业机器人操作中极具挑战性的任务，尤其在高配合精度（微米级间隙）下，刚性位置控制极易导致卡阻或部件损伤。本文提出一种融合视觉与触觉感知的柔顺控制框架，结合视觉引导的粗定位与触觉反馈的精细力位混合控制，实现轴孔装配的柔顺插入。设计基于长短时记忆网络（LSTM）与注意力机制的插入力预测模型，利用历史力/位数据提前预测接触力峰值，从而主动调整装配策略以避免卡阻。通过搭建六自由度协作机器人平台进行实验验证，结果表明所提方法在间隙为10μm的配合条件下，装配成功率从传统力位控制的73%提升至96%，插入力峰值降低42%，且力预测模型在0.2秒前预测误差小于8%。本文为高精密装配提供了一套可实用的感知-决策-控制闭环方案。
1 引言
轴孔装配占工业装配作业的相当比例，在航空航天、汽车发动机、精密减速器等领域，轴孔配合间隙往往仅为数微米至数十微米。传统的机器人装配策略要么采用高精度的力/力矩传感器配合导纳控制，要么借助被动柔顺手腕（如RCC）。然而，纯力控方法在面对孔口倒角误差、轴孔表面粗糙度不一致等非理想因素时表现不稳定；而被动柔顺装置缺乏适应性，无法应对多品种变间隙场景。
近年来，多模态感知融合受到广泛关注。视觉可为机器人提供轴与孔之间的相对位姿粗估计，但受限于相机分辨率和标定误差，无法达到微米级引导精度。触觉（力/力矩）能够直接反映接触状态，但存在滞后性——通常在接触发生后才能检测到异常力，此时可能已经造成划伤或卡死。因此，若能提前预测即将发生的力突变，便可主动调整进给速度或姿态，实现“预柔顺”控制。
本文的核心思路是：利用视觉完成轴找孔阶段的粗引导；进入孔口后，依靠触觉反馈进行导纳控制；同时，设计一个基于LSTM的插入力预测器，利用短时间内的力/位序列预测未来0.2秒的接触力，若预测到力将超过阈值，则提前降低进给速度或执行微小姿态调整。该方法将数据驱动的预测能力嵌入传统控制回路，形成前馈-反馈复合控制。
2 系统框架与建模
2.1 系统组成
实验平台采用UR10e协作机器人，末端安装六维力/力矩传感器（ATI Omega 160），力采样频率200Hz。视觉系统由两台工业相机（Basler acA2440-75um）构成双目立体视觉，布置在装配工位上方，用于识别轴和孔的边缘特征，提供初始相对位姿（精度±0.1mm）。装配对象为间隙配合的钢制轴（直径10mm）与黄铜孔座，配合间隙分别为10μm、20μm、50μm三种工况。
2.2 轴孔装配接触力分析
轴-孔装配过程中，接触力主要来源于：
单点接触：轴边缘与孔口倒角接触，产生横向力。
两点接触：轴同时接触孔口两侧，形成卡阻。
楔形卡死：轴线与孔轴线夹角过大导致无法继续插入。
为：F=f(E,ν,d,θ,δ)F=f(E,ν,d,θ,δ)
其中 E,νE,ν 为材料特性，dd 为轴径，θθ 为轴孔夹角，δδ 为径向偏移。实验表明，在插入深度处于2-5mm区间时，力变化最敏感，是预测的关键窗口。
2.3 融合控制架构
控制架构分为三层：
- 视觉引导层：采用YOLOv8-seg分割轴与孔区域，通过PnP解算位姿，输出期望的初始接近位置。
- 柔顺控制层：基于导纳控制，将实测力/力矩转换为位置修正量。导纳模型为：
Md(x¨c−x¨r)+Bd(x˙c−x˙r)+Kd(xc−xr)=FeMd(x¨c−x¨r)+Bd(x˙c−x˙r)+Kd(xc−xr)=Fe
其中 Md,Bd,KdMd,Bd,Kd 为期望惯量、阻尼和刚度矩阵，FeFe 为外力，xcxc 为修正后的轨迹。
3. 力预测与主动干预层：将当前力/力矩、速度、插入深度输入到LSTM预测器，输出未来0.2s的轴向力与横向力。若预测的轴向力在下一个控制周期将超过阈值 FthFth，则立即将进给速度降低30%，同时根据预测的横向力方向主动施加反向姿态调整。
3 插入力预测模型
3.1 特征选择与数据采集
用于预测的输入特征包括：
- 当前时刻的六维力/力矩 (Fx,Fy,Fz,Mx,My,Mz)(Fx,Fy,Fz,Mx,My,Mz)
- 机器人末端速度 (vx,vy,vz)(vx,vy,vz) 与姿态角速度
- 插入深度 zinsertzinsert（通过机器人的正向运动学获得）
- 上一时刻的控制输出（速度修正量）
输出为未来 T=0.2sT=0.2s 内的轴向力 Fz(t+Δt)Fz(t+Δt) 与横向力合力 Fxy(t+Δt)Fxy(t+Δt)。
数据采集：在20μm间隙工况下进行200次装配，包含成功与失败案例，采样率200Hz，共获得约30万个时间步。标注时，将实际测得的未来力作为标签。
3.2 LSTM-注意力网络结构
网络包含：
输入层：60维（12个当前特征 + 48个历史窗口，窗口大小24步对应0.12s）
两层LSTM：第一层128单元，返回序列；第二层64单元，返回最后状态。
多头注意力：在时间维度上对LSTM各时刻输出进行加权。
两个并行的全连接头：分别预测轴向力和横向力（各输出一个标量）。
损失函数为均方误差，并加入力变化率的正则项以平滑预测结果。
3.3 预测性能
在测试集上（未参与训练的数据），模型预测未来0.2s的轴向力，平均绝对百分比误差（MAPE）为7.6%，横向力误差为11.2%。预测误差主要集中在力突变点附近（如初始接触和即将卡阻时刻），误差峰值约为15%。模型单次推理时间约3ms（GPU加速），满足200Hz实时性要求。
4 实验结果与分析
4.1 对比实验设置
设置三种控制策略：
策略1（纯视觉引导+恒力跟踪）：仅靠视觉定位后以恒定力（5N）压入。
策略2（力位混合+导纳控制）：标准导纳控制，无力预测前馈。
策略3（本文方法）：视觉+导纳+LSTM预测主动干预。
每种策略在三种间隙下各测试50次，统计装配成功率、最大插入力、平均装配时间。
4.2 结果
表1 不同策略的装配性能对比（10μm间隙）
策略 成功率 最大插入力(N) 平均时间(s)
1 52% 32.7 9.3
2 73% 21.5 7.8
3 96% 12.4 6.1
分析：
在10μm极小间隙下，策略1因缺乏力反馈，轴经常卡在孔口，成功率仅过半。
策略2的导纳控制能够通过检测到力增大后反向调整，但仍存在“先撞后调”的滞后，导致峰值力较高。
策略3由于LSTM预测器能够在实际力攀升前0.1-0.2秒预判，主动降低进给速度，峰值力显著降低；同时避免了多次反复搜索，装配时间更短。
4.3 预测器对成功率的贡献
为进一步验证预测器的作用，在策略3基础上关闭预测干预（只保留导纳控制，但模型仍在后台运行），对比结果显示：关闭预测干预后，成功率降至82%，最大力升至18.3N。说明主动干预是提升性能的关键。
4.4 鲁棒性测试
改变装配速度（从2mm/s到10mm/s）和孔座材料（铝、不锈钢），本文方法的成功率保持在88%以上，而策略2在高速度下成功率急剧下降至61%。原因在于高速下力检测延迟的影响更加显著，而预测器提供了有效的前馈补偿。
5 结论
本文提出了一种融合视觉与触觉感知、并嵌入LSTM插入力预测的机器人精密轴孔装配柔顺控制方法。通过预测未来接触力并提前调整控制量，有效抑制了插入过程中的力峰值，显著提高了极小间隙装配的成功率。实验验证了所提方法的有效性和鲁棒性。未来工作将引入强化学习优化预测干预的策略参数，并扩展到非圆形截面的异形零件装配。
中研高科教育
