机器人与自动化技术的发展使其逐渐在各社会领域发挥重要作用。随着人类社会需求的增加，在医疗、制造业、农业等领域，机器人已经得到了较为广泛的应用。由于感知和规划等技术发展水平限制，可稳定投入使用的机械臂技能模型大多针对重复度高、操作路径相对确定、环境动态变化较小的场景，而在任务复杂度高、环境动态变化以及精度需求高的任务要求下，现有机械臂技能模型通常难以保持较高鲁棒性。当下机械臂技能模型面临的挑战主要有两点：1）对环境的感知和认知精度不足，过于依赖规划过程弥补此项误差；2）无论示范学习还是强化学习都依赖大量技能示范或技能探索，在真实操作环境中进行成本较高且有安全风险，在仿真环境中进行由于与真实环境存在差异导致鲁棒性尚需要提高。针对视觉感知和技能示范获取难度高的问题，本文建立基于对称虚实融合的操作技能示范系统，根据真实场景重建对称虚实融合场景，用于技能示范的数据生成，以此为基础提高模型示范效率和鲁棒性。本文的主要工作和贡献如下：

(1)目前机器人末端在实现环境感知的过程中，由于传感器误差，导致对环境的视觉感知精度仍需要提高。提出了一种针对机械臂任务场景的对称虚拟空间快速重建方法，利用单个RGBD深度相机降低视觉感知误差并进行场景重建。该方法使用Mask-RCNN目标分割模型从复杂的任务场景中提取出机械臂和任务所需物体，使用轻量级神经网络模型将图像点集映射到三维空间点集，并借助基于密度峰值的噪点校正策略，对图像中目标点集的噪点进行校正和去除，实现对机械臂任务场景内物体的感知精度提高和快速对称虚拟重建。实验证明，基于此方法构建的快速对称虚拟重建系统能够以准实时的效率完成对机器人末端任务场景的快速重建，本章提出的方法的重建误差相较不使用本章方法的重建误差降低了3.34%，大幅提高机器人视觉系统的感知精度。

(2)机器人进行技能示范可以在真实空间或虚拟空间中进行，在真实空间进行技能示范成本较高且存在安全风险，在虚拟空间的技能示范迁移到真实环境中存在困难。因此，基于研究内容(1)中建立的对称虚拟空间，提出了一种基于对称现实概念的虚实融合人机交互技能示范策略。为了实现对称虚拟空间和真实空间的交互，为对称虚拟空间建立了交互机制，可以在虚拟空间中对虚拟物体进行技能示范，记录示范内容以指导真实空间中的机器人操作。在对称现实框架下，虚实空间和真实空间在任务实现层面完全对等，基于此虚拟空间，开展的技能示范可以直接用于指导真实空间机器人的技能操作。实验结果表明，在物品抓取放置任务中，基于对称现实的交互技能示范系统相较不使用对称现实交互示范的系统，偏移误差和偏转误差分别降低了1.7%和2.1%，整体耗时降低了22.15%，可以在更低的时间成本下以更高精度完成目标任务。

(3)机器人系统由于感知误差和技能示范等限制，在复杂实际任务中的表现仍需进一步提高，本文由于面向农业智能育种的番茄花授粉任务，基于研究内容(2)中的对称现实示范策略，构建了一种两阶段的精细技能示范系统，第一阶段通过YOLACT完成对花体目标的检测和分割，同时使用类别朝向标签完成对花体姿态的检测，并针对花体测距问题，提出伪双目的测距定位策略，实现对花体的定位和趋近；第二阶段，在搭建的面向番茄授粉的操作示范人机界面基础上，通过交互示范完成精细技能操作示范。分别在仿真花和实际的番茄花株上对此方法开展实验验证，实验结果表明，在仿真花授粉任务中，本方法检测精度和授粉成功率相较已有同类方法分别提高9.5%和12.7%；在实际番茄花授粉任务中，本方法授粉成功率74.61%接近传统人工授粉成功率85.33%，说明本方法有较广阔的应用前景。