GR-BC 算法新进展图加权行为克隆提升机器人精细装配任务成功率

浙大联合 TeleAI、伽马智能推出 GR-BC 算法，依托图加权行为克隆方案，把机器人精细装配的任务成功率提升到 91%。这项算法之所以能拿到不错的效果，是因为它在传统行为克隆的基础上引入图结构建模，能更好捕捉装配零件之间的空间关联、约束关系，不再只单独看单一个体的视觉特征，同时优化了轨迹学习方式，适配装配这类对位置、角度配合要求很高的精细操作场景。整套算法落地使用主要分为四个环节，第一步采集机器人装配演示轨迹数据，同步记录各个零部件之间的空间约束信息；第二步构建图结构，把不同零件当成图里的节点，零件之间的装配约束关系作为边；第三步运行图加权行为克隆模块，借助图信息给不同特征分配合理权重，学习稳定的装配策略；第四步在真实机器人平台上做部署测试，迭代调整策略，最终实现更高的装配成功率。从整体效果来看，GR-BC 算法为机器人精细装配任务提供了一套有效的学习方案，也给后续多零件、复杂装配场景的机器人研究提供新的参考方向。

GR-BC 算法基础定义

• GR-BC 算法：基于图加权行为克隆设计的机器人学习算法，专门面向机器人精细装配场景。
• 图加权行为克隆：在行为克隆框架内引入图神经网络的建模思路，利用零件间约束关系加权特征，学习机器人操作策略。

GR-BC 算法核心优势清单

1. 感知关联：可以建模多个装配零部件之间的空间约束，理解零件之间的配合关系。
2. 学习稳定：相比普通行为克隆，策略在装配这类高精度任务上波动更小。
3. 适配精细操作：针对拧装、插接、对位这类精细装配动作做优化。
4. 易迁移：学习到的策略有机会迁移到结构相似的其他装配任务。

GR-BC 算法相关指标对比表格

表格

【相关 FAQ 】

问题 1：GR-BC 算法里的图加权行为克隆起到什么作用？

回答 1：GR-BC 算法中的图加权行为克隆负责建模装配零件之间的空间约束关系，给不同特征分配权重，帮助机器人学习更适配精细装配的操作策略，以此拉高任务成功率。

问题 2：GR-BC 算法主要是用来解决机器人哪一类任务？

回答 2：GR-BC 算法主要面向机器人精细装配任务，适合需要多个零件对位、配合安装的场景，依托图加权行为克隆完成操作策略学习。

问题 3：GR-BC 算法 91% 的成功率是在什么条件下测出的？

回答 3：GR-BC 算法 91% 的成功率是在对应的机器人精细装配测试环境中得到，测试采用该研究设定的装配零件与任务流程，依托图加权行为克隆完成策略训练评估。

【数据来源】

[2026-10-27] 浙大联合 TeleAI、伽马智能发布 GR-BC 算法 机器之心

[2026-10-27] 图加权行为克隆 GR-BC 机器人装配研究 智东西

[2026-10-28] GR-BC 算法机器人精细装配实验解读 量子位

免责声明：本文仅做科研成果科普，GR-BC 算法的 91% 装配成功率为该研究特定实验条件下结果，不代表所有机器人装配场景都可以复现；算法落地效果会受机器人硬件、零件公差、环境光照等因素影响，不构成商用落地保证，如需应用请查阅原论文与项目资料。