在工业制造领域，机器人装配长期依赖固定自动化模式，面临部署成本高、适配性差等挑战。多部件装配是制造业、汽车及航空航天等行业中的核心环节。传统装配系统通常针对特定任务设计，依赖大量人工工程部署，灵活性不足，难以应对多样化产品和动态生产需求。
Robot-arm-gear-assembly: 机器人手臂齿轮装配
如何实现更灵活、通用的装配能力？NVIDIA与优傲机器人（UR）合作，借助 Isaac Lab 框架与仿真技术，为工业机器人装配提供了从仿真训练到现实应用的新路径。柔性自动化成为破局方向，而仿真训练正是实现这一目标的重要支撑。
NVIDIA Isaac Lab 实现高接触仿真
Isaac Lab 是开源的模块化机器人学习训练框架，基于 ROS 2框架的Isaac ROS，为开发者提供导航、感知等加速计算包与AI模型。Isaac Lab通过精准物理模拟和大规模强化学习（RL），让高接触仿真成为可能，可在数千个并行环境中进行训练。
图 1. NVIDIA Isaac Lab 中的高接触仿真环境
其支持模仿学习与强化学习双模式，内置工厂装配任务（如peg 插入、齿轮啮合等），为机器人训练提供灵活方案。
齿轮装配任务：从仿真训练到现实部署
✅三大核心技能拆解
抓取规划：借助现成抓取算法生成可行抓取位姿；
自由空间运动：通过RL学习轨迹策略，优化从抓取到运输的动作；
精准插入：基于RL策略，实现齿轮与轴的高精度对接。
✅强化学习训练框架
**环境设计：**随机化机器人初始位姿、齿轮尺寸、任务阶段等参数；
**域随机化：**对机器人动力学（关节摩擦、阻尼）、控制器增益及观测噪声进行随机扰动，提升策略泛化能力；
**网络架构：**采用LSTM+MLP多层网络，基于PPO算法训练，在RTX 4090GPU上完成并行计算。
图6 UR10e机器人上的Sim到Real传输工作流程
通过 Isaac ROS中的Segment Anything（目标分割）和 FoundationPose（位姿估计）组件，构建了仿真到现实的迁移框架。
**感知处理：**RGB图像经Segment Anything生成分割掩码，结合深度图像通过 FoundationPose估算齿轮的6D位姿；
**控制执行：**策略输出关节位置增量，转换为目标关节位置后输入阻抗控制器，以500Hz频率计算控制扭矩。
训练后的策略可实现多齿轮在随机位置的装配，对装配顺序和齿轮初始位姿具有较强的鲁棒性。
NVIDIA与优傲机器人的合作，为工业机器人装配领域突破定制化限制、实现柔性自动化提供了新的路径。未来，随着技术的不断发展，机器人装配有望迎来更高效、灵活的新时代。