微装配机器人是实现微小尺寸零件高精度装配的先进系统，综合了精密感知与先进控制等核心技术。令微装配机器人具有技能学习能力，可以进一步提高微装配机器人的可复用性和易用性，显著减少对人工编程开发与调试的依赖，实现机器人智能化。为了实现微装配机器人的精密装配技能学习，本论文针对一系列相关问题展开了研究，主要包括显微视觉测量系统、显微图像特征提取、柔顺插入中的接触刚度学习以及微装配技能示教学习。论文的主要研究工作与贡献如下：

第一，为了实现大测量范围高精度的三维零件位姿感知，提出了基于多路远心显微视觉的位姿测量方法。在成像模型中考虑了相机的线性运动，使测量范围可以超过显微镜头浅景深的限制，同时保持高测量精度。基于图像雅克比矩阵，可将多路相机的显微图像中提取到的点特征和线特征分别用于估计三维笛卡尔空间中的向量和方向。对所提出方法进行实验验证，在显微相机景深为430μm时，位姿测量的位置和方向上的均方根误差分别为3μm和0.05º，而测量范围分别约为5000μm和20°。为了提高测量系统的效率，分析多路相机之间的仿射极线约束与聚焦平面相交约束，并分别应用于图像特征提取和多相机自动对焦。提出了基于圆球目标的显微视觉系统的标定方法，具有低成本和小体积的优点。

第二，为了提高视觉感知模块在不同技能任务中的灵活复用能力，提出了一种感兴趣轮廓基元提取方法。在该方法中用户可以针对新零件创建轮廓基元模板，然后基于匹配比例和带权重的对比度分数来搜索图像目标，在目标匹配的粗定位基础上基于局部法向导数提取感兴趣轮廓基元上的边缘点，最后利用提取到的边缘点，通过形状拟合得到精确的几何特征，并输出轮廓锐度用于聚焦评价。该方法不仅可以针对不同零件图像进行灵活配置，而且在多种非理想成像条件下具有良好的实时性和鲁棒性。另外，为了实现小样本学习的零件图像分割，设计了一种基于卷积神经网络的分割模型，通过结合无监督特征学习和有监督分割学习，实现了仅需要少量有标注图像的小样本分割学习。分割结果可作为特征提取的搜索区域，可进一步提高特征提取的鲁棒性和实时性。

第三，提出了一种异向性刚度接触模型学习的方法，可应用于柔顺插入控制，提高插入技能对不同接触刚度的适应性。基于历史装配过程中的数据记录，利用聚类算法判断是否存在多类接触刚度，然后用支持向量机分类器来学习接触方向与刚度之间的关系，最后将异向性刚度模型用于径向力控制器中，使机械手可以根据接触刚度变化来调整增益。实验表明，该方法改善了存在刚度异向性时插入过程的柔顺性和效率，径向力可被约束在100mN以内。

第四，提出了一种基于显微视觉和力反馈的微装配技能示教学习方法，首次实现了毫米级零件微米级精度的微装配技能学习与执行，且仅需要若干次示教。针对具有多步骤流程和多种底层控制器的微装配机器人，设计了一种可将技能分割为若干动作并记录各动作控制器编号的技能学习与执行框架。提出了图像特征引导的运动和力约束的运动两种动作类，分别与基于图像特征的视觉伺服控制器和基于微力反馈的柔顺控制器这两种底层控制器结合使用。基于高斯混合模型的动态系统使动作不仅具有非线性表达能力，而且具有全局渐进稳定性。通过获取示教数据并执行学习算法，可针对不同的技能将动作类实例化为不同的特定动作，用于引导底层控制器的动作。实验表明所提出的技能示教学习方法，可灵活部署于不同的任务，并对起始条件变化、过程扰动具有鲁棒性，且具有一定可解释性。

最后，对本文的研究成果进行总结，并给出对未来的研究工作的展望。