装配是制造业中的重要环节，早期的装配任务主要涉及固定场景中的刚性装配。随着机器人技术的发展，机器人装配在制造业中得到了广泛应用。但是在非结构化场景下针对复杂任务的机器人装配仍然是一个难题。
以空间站的在轨维护为例，机器人的工作空间已从特定的流水线场景拓展到了非结构化场景，作业任务对象也从装配圆轴刚性物体拓展到了装配不规则物体、非刚性物体等。
传统的机器人装配控制技术已无法完成上述复杂任务。轨迹规划与柔顺控制可以适应环境不确定性和零件之间的差异，提升机器人装配可靠性，因而成为目前机器人领域的研究热点方向之一。但是如何更高效、更可靠地适应变化的任务和变化的环境仍然需要进一步研究。本文探讨借助学习（模仿学习、强化学习）和环境约束，实现稳定、可靠的装配。主要工作和贡献如下：
1.针对存在多障碍物的装配场景，提出一种基于自我-注意力(ego-attention)机制的轨迹模仿学习方法，满足多障碍物场景下的机器人仿人避障需求：提出一种基于模仿学习的方法。从人类示范中学习机械臂的避障策略，避免了冗杂的分析建模过程。同时，将ego-attention引入学习框架，使得规划过程可以综合考虑多个障碍物。具体而言，首先使用动态运动原语对于初始轨迹以及避障轨迹进行编码，求出耦合项。再使用ego-attention机制网络对耦合项进行监督学习。实验结果表明，提出的方法可以较好地考虑场景中的所有障碍物，根据障碍物的分布以及初始轨迹做出仿人的避障动作。与现有典型的几种基于模仿学习的机器人轨迹规划算法相比，提出的方法极大提升了避障效果和规划效率。
2.针对不规则零件的装配场景，提出一种基于环境力约束的精密装配策略与控制方法，满足低分辨率力反馈信息下的零件装配需求：提出一种基于环境约束的方法，借助环境力约束消除力信息中的不确定性，在低分辨率力信息下实现不规则物体的装配。同时设计了一个由三台机器人组成的装配系统，通过装配一个皮带传动单元来验证算法的有效性。实验结果表明，提出的方法能够以一种较为简单、快速的方式完成既定任务。
3.针对非刚性零件的装配场景，提出一种融合基于环境约束的模仿学习方法和基于演员-评论家(Actor-Critic)结构的变阻抗学习控制方法，满足各类材料零件的装配需求：提出一种环境约束和学习结合的方法，针对非刚性材料的装配策略以及变阻抗控制进行研究。具体而言，首先基于环境约束得到示范轨迹以及力曲线，该轨迹是完成装配的一个较优轨迹。并使用动态运动原语对于轨迹进行模仿学习。之后开发了一个基于Actor-Critic结构的变阻抗强化学习控制框架，用于非刚性物体的装配。实验结果表明，与装配中常用的定阻抗方法相比，提出的方法能够高效、准确地完成不同材料的装配任务，实现较好的力跟随效果。