人工智能的飞速发展推动了各行各业的产业变革,改变了人们的生活方式和工作形式。为了满足产业变革的发展需求,加快人工智能的应用落地已成为产业发展规划的重中之重。由于劳动力成本的提升,机器人被广泛应用于工业、服务业、医疗行业及航天航空等行业,以代替人类完成诸多工作。传统机器人工作在结构化的环境中,其控制系统不仅需要建立精确的控制模型,而且还需要进行繁琐的程序编译工作和大量的参数部署工作。然而,在实际工作中控制精度和传感器的误差波动是不可避免的,这将导致建立的模型失效。此外,对于一些非结构化环境中的抓取与装配问题,建立精确的模型可能是一项无法完成的任务。因此,借助人工智能技术改进机器人控制策略是一项具有重大研究价值和应用意义的研究,使机器人不再依赖模型建立和参数部署工作,并通过训练的方式来学习工作技能,进而实现机器人在非结构化环境中自主完成复杂的工作任务。为了解决非结构环境中抓取与装配工作的过程描述困难,本文针对非结构环境中轴孔装配任务的工作需求,分析了工作过程中机器人与环境的交互特性,构建了基于深度强化学习的机器人智能抓取与装配系统,进行了机器人抓取与装配技能学习以及感知融合等方面的研究。本文的主要研究内容包括以下几个方面:（1）智能抓取与装配机器人系统。针对非结构环境中轴孔装配任务的位置不确定性、对准调整的姿态多样性和接触状态的不确定性等任务特点,分析了轴孔装配任务中柔顺动作的工作原理和阻抗控制系统的控制原理并进行了轴孔装配的各阶段子任务划分,研究了视觉感知和触觉感知的工作特性以及将其应用在轴孔装配各阶段子任务的难点,并深入分析了轴孔装配任务中装配孔与装配轴的各种接触状态以及相应的机器人控制策略,还考虑了抓取与装配过程中装配零件与环境之间的约束问题以及工作过程中的安全作业约束,构建了机器人的智能抓取与装配的仿真和物理实验平台,为后续研究的策略训练与验证提供了实验平台。（2）基于深度强化学习的智能抓取。在机器人选择抓取位置时,传统的抓取策略仅考虑机器人是否能够成功抓取目标物体,而没有考虑在抓取成功之后抓取位置对轴孔装配对准调整的影响。针对在非结构环境中的轴孔装配任务,本文提出了一种基于深度强化学习的智能抓取策略,构建了全卷积神经网络模型。在保证机器人能够成功抓取目标零件的基础上,设计了奖励函数为抓取决策引入了装配约束,使机器人在决定抓取位置时能够考虑抓取位置对装配工作效率的影响。在搭建的仿真平台和物理实验平台上进行了策略训练与测试,测试结果表明在引入装配约束后机器人的抓取位置选择被压缩到一个较小范围的限制区域内,机器人选择该区域内的抓取位置能够获得更高的装配效率。（3）单视角视觉与触觉联合感知的装配研究。由于对准姿态和接触状态的多样性以及干扰力矩波动的不确定性,增加了机器人感知环境信息的难度,导致了机器人难以精确建立任务模型。此外,由于视觉感知和触觉感知的各自局限性,机器人只能根据其工作特性在某个装配阶段单独使用一种感知方式,这进一步增加了装配过程描述的困难。为了解决这一难题,本文提出了一种基于深度强化学习的联合感知装配策略,该策略为装配对准阶段的视觉感知与触觉感知建立了映射关系,解决了装配过程的描述困难,提高了机器人轴孔装配的工作效率。（4）多视角视觉与触觉联合感知的装配研究。在轴孔装配任务过程中,视觉感知可能会因为视觉遮挡的原因导致视觉特征信息的缺失,进而影响决策系统的对准调整判断。针对视觉特征信息缺失问题,本文提出了一种基于深度强化学习的多视角联合感知装配策略,该策略根据轴孔装配的对准调整需求,为视觉感知系统增加了辅助视角以弥补视觉特征信息的缺失,从而提高了机器人的装配效率,并在仿真系统和物理实验平台上进行了策略训练与测试验证。实验结果表明,多视角联合感知装配策略能够弥补视觉特征信息的缺失,并进一步提升了轴孔装配的工作效率及其稳定性。