一种基于世界动作模型隐空间的装配预补偿方法和系统与流程

摘要: 本发明涉及具身智能和机器人装配,具体涉及一种基于世界动作模型隐空间的装配预补偿方法和系统。背景技术:1、精密装配(如汽车电驱系统、航空航天部件、微型零件组装)是...
一种基于世界动作模型隐空间的装配预补偿方法和系统与流程

本发明涉及具身智能和机器人装配,具体涉及一种基于世界动作模型隐空间的装配预补偿方法和系统。

背景技术:

1、精密装配(如汽车电驱系统、航空航天部件、微型零件组装)是制造业中精度要求最高、容错空间最小的环节。当前主流技术路径主要采用视觉引导定位与力控伺服执行相结合的方式,即在装配过程中通过视觉系统实时监测工件位姿偏差、通过力传感器感知接触状态,并据此对执行动作进行在线调整和修正。该方案能够在一定程度上应对装配过程中的静态位姿偏差和动态接触扰动,是现阶段工业场景中应用最为广泛的技术路线。此外,近年来以智元ge平台为代表的研究尝试引入视频扩散模型生成“操作预演视频”,实现“先彩排、再上岗”的作业模式,以期在执行前对装配过程进行可视化预演。

2、然而,上述现有技术方案均存在根本性局限。一方面,视觉引导与力控伺服相结合的方式本质上是“执行中调整、执行后检测”,质量验证永远滞后于生产节拍,当检测到不合格品时,物料和工时损失已经发生,无法在执行前对装配结果进行定量预判和预防。另一方面,以ge平台为代表的视频预演方案虽实现了执行前的可视化预览,但其预演视频仅供人工参考、未形成可量化的装配质量指标,属于定性而非定量的预判方式;同时,视频扩散模型的生成过程不可微分,无法构建质量驱动的自动优化闭环,即不能根据预判结果自动修正动作参数;此外,其预测目标为视觉画面的“真实性”而非装配结果的“合格性”,缺乏针对精密装配任务的质量导向设计。

3、因此,如何在不依赖物理仿真器和显式视频生成的条件下,将质量保障从“事后检测”前移至“执行前定量预判与预优化”,并在执行后形成持续自校准的闭环能力,成为亟待解决的技术问题。

技术实现思路

1、有鉴于此,本发明实施例提供一种基于世界动作模型隐空间的装配预补偿方法和系统,以至少解决现有技术中质量验证滞后于生产的问题。

2、本发明实施例提供以下技术方案:

3、本发明实施例提供一种一种基于世界动作模型隐空间的装配预补偿方法,包括:

4、获取当前装配场景状态,通过世界动作模型的编码器将所述当前装配场景状态映射至联合嵌入空间,生成状态嵌入向量;

5、采用所述世界动作模型的策略网络生成多个候选初始装配动作序列,将各所述候选初始装配动作序列编码为隐空间中的候选动作嵌入向量;

6、将各所述候选动作嵌入向量分别与所述状态嵌入向量进行组合后,并行输入至装配质量预测器,并输出各所述候选动作嵌入向量对应的量化预测装配质量评分;

7、对各所述候选动作嵌入向量执行投影梯度上升迭代优化,迭代收敛后选取得分最高的量化装配质量评分所对应的候选动作嵌入向量作为最优动作嵌入向量;

8、将所述最优动作嵌入向量输入至神经动作伺服引擎,解码为机器人可执行的底层控制指令,并根据所述底层控制指令控制机器人执行对应的精密装配操作;

9、在所述精密装配操作完成后,采集实际装配质量数据并计算实际装配质量评分,进而计算所述实际装配质量评分与所述预测装配质量评分之间的质量偏差;

10、当所述质量偏差的绝对值超过预设偏差阈值、或校准缓冲区样本数达到预设批次阈值时,触发闭环校准。

11、优选地,所述量化预测装配质量评分由位姿精度分量、接触力均匀度分量、间隙均匀度分量与历史成功率分量加权求和得到。

12、优选地,所述位姿精度分量基于预测末端执行器位姿与理论装配位姿的偏差,采用指数衰减函数计算;

13、所述接触力均匀度分量基于预测接触力序列的方差,采用指数衰减函数计算;

14、所述间隙均匀度分量基于预测配合间隙与理论间隙的偏差,采用指数衰减函数计算;

15、所述历史成功率分量基于当前任务与历史任务的相似度检索统计得到。

16、优选地,所述装配质量预测器采用条件神经过程架构;

17、将各所述候选动作嵌入向量分别与所述状态嵌入向量进行组合后并行输入至装配质量预测器并输出量化预测装配质量评分包括:

18、通过编码器网络将组合后的所述候选动作嵌入向量与所述状态嵌入向量映射为质量预测的潜分布参数;

19、通过解码器网络从所述潜分布参数中采样,输出对应的量化预测装配质量评分,并同步输出预测不确定性参数,当所述预测不确定性参数超过预设不确定性阈值时,触发人工复核。

20、优选地,生成多个候选初始装配动作序列具体为:

21、从所述世界动作模型的策略网络中采样m个候选初始动作,对每个候选初始动作并行执行投影梯度上升迭代优化,最终选取所有候选中质量评分最高的优化结果作为最优动作嵌入向量,以通过多候选并行搜索规避局部最优解。

22、优选地,所述投影梯度上升迭代优化的具体规则为:

23、以最大化装配质量评分为目标执行梯度上升更新,采用自适应学习率策略动态调整迭代步长;

24、每次迭代后通过l2范数投影算子将动作嵌入向量约束在预设的合理动作空间范围内,避免动作偏离物理可行域;

25、当装配质量评分达到预设质量阈值,或迭代次数达到预设最大迭代次数时,终止迭代。

26、优选地,触发闭环校准的条件还包括:

27、计算实际装配场景对应的真实状态嵌入向量与预测状态嵌入向量的状态偏差,当状态偏差的范数超过预设状态偏差阈值时,触发闭环校准。

28、优选地,触发闭环校准后,采用经验回放机制更新装配质量预测器的网络参数包括:

29、将所述最优动作嵌入向量、所述状态嵌入向量与对应的所述实际装配质量评分作为新样本存入校准缓冲区;

30、触发校准时采用混合采样策略从缓冲区构建小批量校准数据,其中新样本的采样权重高于旧样本的采样权重;

31、以所述预测装配质量评分与所述实际装配质量评分的均方误差为损失函数,执行小批量梯度更新,调整装配质量预测器的网络参数。

32、优选地,所述闭环校准采用快慢双重模式:

33、快速校准模式:当偏差超过阈值时立即触发,执行少量梯度步参数更新,快速响应工装磨损、物料批次变化等工况漂移;

34、慢速校准模式:按固定生产周期基于全量生产日志执行完整参数更新,抑制模型的长期性能漂移。

35、本发明实施例提供了一种基于世界动作模型隐空间的装配预补偿系统,包括装配质量预测器、隐空间动作预优化器以及装配后闭环校准器:

36、所述装配质量预测器,配置为接收当前装配场景对应的状态嵌入向量,以及多个候选动作嵌入向量,对组合后的状态嵌入向量与候选动作嵌入向量进行映射处理,输出各候选动作嵌入向量对应的量化预测装配质量评分;

37、所述隐空间动作预优化器,配置为调用世界动作模型的策略网络生成多个候选初始装配动作序列,将各候选初始装配动作序列编码为隐空间中的候选动作嵌入向量,将各候选动作嵌入向量分别与所述状态嵌入向量组合后输入所述装配质量预测器,以最大化装配质量评分为优化目标,对各候选动作嵌入向量执行投影梯度上升迭代优化,迭代收敛后选取量化预测装配质量评分最高的候选动作嵌入向量作为最优动作嵌入向量输出;所述最优动作嵌入向量用于经神经动作伺服引擎解码为机器人可执行的底层控制指令,以控制机器人执行精密装配操作;

38、所述装配后闭环校准器,配置为在精密装配操作完成后,采集实际装配质量数据并计算得到实际装配质量评分,计算所述实际装配质量评分与对应预测装配质量评分之间的质量偏差,当所述质量偏差的绝对值超过预设偏差阈值、或校准缓冲区累积的样本数达到预设批次阈值时,触发对所述装配质量预测器的网络参数进行更新,完成闭环校准。

39、与现有技术相比,本发明实施例采用的上述至少一个技术方案能够达到的技术效果至少包括:

40、本发明的一种基于世界动作模型隐空间的装配预补偿方法,通过将装配场景编码为状态嵌入向量并在wam隐空间中生成候选动作嵌入,结合可微的装配质量预测器实现无需物理仿真和显式视频生成的定量质量预判;进一步利用投影梯度上升对多个候选动作执行可微迭代优化,以最大化质量评分为目标在隐空间中直接修正动作参数,在执行前主动规避装配缺陷;同时通过执行后实际质量数据与预测评分的偏差比较触发闭环校准,利用经验回放持续更新预测模型参数,形成从预判、优化到执行、校准的全链路闭环。该方法将精密装配的质量保障从传统的“执行中调整、执行后检测”前移至“执行前定量预判与自动优化”,有效降低因质量验证滞后导致的物料与工时损耗,显著提升装配良率与生产效率,并具有良好的工况自适应能力和长期精度保持能力。