从记录的强度到力的限制：用于建筑装配的基于材料的机器人插入

插入是机器人结构装配中的一项基本操作，其中材料特性和装配条件的变化使得很难选择在不超出装配能力的情况下完成任务的接触力。尽管施工文档编码了有关材料及其条件的工程知识，但将这些知识转化为特定组件的负载限制仍然很困难。本文介绍了 SAGE（基于源的装配门控和执行），这是一个将记录的材料证据转换为机器人插入的容量估计的系统。 SAGE 将大型语言模型 (LLM) 限制为从检索到的段落和表格中提取拉伸和压缩强度，并记录其来源。然后，响应模型插入离线有限元 (FE) 解，将这些强度和装配条件转换为轴向载荷能力。对于具有正间隙的配合，估计的能力设定了策略的轴向力限制；对于干涉配合，将其与测量的支撑需求进行比较以确定准入。在主要基准上，SAGE 将基于相同证据的直接 LLM 估计的平均容量误差从 80.65% 降低到 10.74%。在不重新拟合的情况下，16 个附加几何形状的平均误差仍为 8.00\%。在指定的支持发布模型下，SAGE 对 62 次评分模拟运行中的 59 次进行了正确分类，仅出现保守错误。在录制的 xArm6 演示中，SAGE 将材料文档作为输入，并在 13 次试验中的 9 次完成物理插入。这些结果表明，将文档解释分配给大语言模型并将力计算分配给显式机械模型可以产生准确的容量估计和可追踪的插入决策。