近来由于机器人技术的不断发展，机器人的精度与执行效率都有了显著的提高，在现代工业发挥了越来越重要的作用。装配是现代工业生产中的关键环节之一，将机器人应用于自动装配领域，替代重复性的装配动作，提高了生产效率、减少了劳动力消耗，在汽车制造、航空航天等领域获得了极大的成功。近年来，随着制造业的进一步快速发展，由于装配对象的多样性、装配环境和装配工艺的复杂性，给机器人装配的柔顺性和智能性提出了更高的要求，亟待研究具有一定适应能力的装配策略学习算法和系统。

本文针对典型的装配问题—轴孔装配问题，从实际接触力预测和机器人自主学习两方面提出了不同算法，并搭建了一整套完整的仿真及实际实验平台，以解决机器人主动柔顺装配问题。主要贡献有如下三个：

1. 构建了机器人轴孔柔顺装配的仿真系统及实际系统：设计了基于机器人操作系统（Robot Operating System, ROS）的仿真实验平台，能够快速迭代策略学习算法，令机器人能够自主学习柔顺装配策略。以大长径比的轴孔装配问题作为实验对象设计了机器人轴孔柔顺装配的实际系统，为提出的柔顺装配算法提供了验证平台。
2. 提出了一种新颖的面向机器人轴孔柔顺装配的接触力/力矩预测与分析模型：提出了接触力/力矩预测模型，用于获取装配控制中至关重要的精确实际接触力及力矩；建立了接触状态分析模型，用于估计轴孔间的接触状态；最后，基于所提出的接触力/力矩预测和分析模型，设计了一种装配机器人位姿调整策略；通过在实际装配实验平台的实验结果，结果验证该算法能够满足大长径比轴孔柔顺装配的要求，模型预测的力/力矩误差小于1%，装配过程中平均力/力矩小于5 N / 0.5 N·m。
3. 提出了一种基于动作-反向动作记忆的装配策略快速自学习算法：基于强化学习原理对算法作出元素定义，并提出了一种新颖的动作-反向动作记忆模块，可以有效地减少机器人在接触状态空间的冗余探索，以此提高装配策略的学习速度；最后结合经典强化学习算法设计了装配策略快速自学习算法，在仿真实验系统上进行轴孔装配仿真实验，仿真结果验证该算法具有良好的力控性及拓展性。