長期以來，賦予機器人自主裝配能力，一直是科研人員的目標。雖然組裝任務對于人類來說可能較為簡單，但對于機器人來說，卻充滿了挑戰。一方面，實現這一目標不僅需要巨大的工程投入，更需要在理論上作出重大突破。另一方面，即便是人類在進行組裝時，也難免犯錯——可能會錯誤地安裝某個部件。但人類具備的獨特能力在于能夠在后續的過程中發現并糾正這些錯誤。
 

　　然而，現有的機器人組裝研究多聚焦于期望機器人一次性完成整個組裝過程，忽視了錯誤識別與糾正這一關鍵環節。事實上，隨著組裝任務的推進，現有的方法可能會導致錯誤逐漸積累，從而使后續步驟逐漸偏離預定目標，甚至最終導致整個組裝過程的中斷。圖1展示了這一錯誤積累的過程。
 

圖1 組裝錯誤積累示意圖
 

　　為了解決這一挑戰，北京大學計算機學院董豪團隊提出了一個新的研究任務——單步組裝糾錯任務，并面臨兩個全新的挑戰：首先，如何準確識別拼裝錯誤的組件；其次，如何糾正這些錯誤，確保組件恢復到正確位置。為了解決這兩個問題，團隊構建了一個全新的數據集——LEGO-ECA，并提出了自糾錯組裝網絡(SCANet)，旨在幫助機器人在組裝過程中及時發現并修正錯誤。
 

　　LEGO-ECA數據集是首個包含失敗樣例的組件組裝數據集，來源于基于MEPNet合成的LEGO數據集。在構建過程中，研究團隊從1429個組裝手冊中隨機挑選，將其輸入組裝網絡MEPNet，并通過加入高斯噪聲干擾組裝過程，成功生成了豐富的錯誤組裝樣本。最終，LEGO-ECA數據集包含約12萬種不同的錯誤樣例，成為機器人組裝任務中不可或缺的重要資源。
 

圖2 LEGO-ECA數據集
 

　　為了讓機器人具備自我糾錯的能力，團隊在設計網絡時提出了一個創新的思路：將已組裝的組件視為查詢對象，結合組裝手冊與組裝結果的差異，幫助機器人識別并糾正錯誤?；谶@一思路構建的自糾錯網絡，機器人能夠在組裝過程中識別并糾正錯誤組件，從而顯著提升組裝的準確性。
 

圖3 自糾錯組裝網絡結構示意圖
 

　　實驗結果表明，與現有的組裝神經網絡相比，SCANet在降低組裝錯誤率和優化組裝結果方面表現出了顯著的優勢，顯著提升了機器人自主裝配的準確性和穩定性。從下圖可以看出，隨著組裝步驟的逐步增加，SCANet與MEPNet之間的差距越來越明顯。這是因為在缺乏糾錯機制的情況下，MEPNet的錯誤會隨著每一步的執行而不斷積累，最終導致其與正確組裝路線之間的差距越來越大。
 

圖4 組裝結果對比