随着机器人技术在工业生产中的广泛运用,人们对机器人的控制要求也逐步提高,越来越多的应用场景,不仅需要对机器人的位置控制精度有严格要求,而且也对其末端与环境的接触力的大小同样也有规定。利用机器人力觉控制技术实现机器人柔性控制作业,不仅能避免机器人与环境间过大的接触力,而且对于不确定的目标环境下感知操作任务,也有更深远的意义。与此同时,近年来随着强化学习迅猛发展,从感知到决策、端到端的设计模式等各种模型的强化学习都具有非常广泛的应用和前景,它的兴起和发展也将进一步促使人工智能的发展。如何将智能类算法与机器人力控技术相结合,也是实现智能控制亟待解决的重要课题。因此本文利用实验室自研的串联式六维力传感器,以深孔装配任务作为实验的任务场景,提出了两种不同的力控方法。首先,本文对实验中使用的串联式六维力传感器的结构原理进行相关研究,并指出使用该传感器的必要性,同时实现动觉示教功能为人机协作和学习类算法提供支持。最后,基于串联式六维力传感器的深孔装配任务,设计了人机协作的总体装配策略和流程。其次,将阻抗控制算法运用于深孔装配任务中。首先对实验设备UR10机器人进行运动学和动力学分析,作为机器人控制相关基础性工作。然后对阻抗控制中两种控制形式进行原理分析与实验对比,针对导纳控制与环境接触时不稳定的问题,提出增添毛毡缓冲材料的解决办法。最后对阻抗关系参数进行调优,通过1170次对比装配实验,得到相对最优的阻抗关系参数。然后,将深度强化学习算法运用于深孔装配任务中。首先对深度强化学习的基础内容进行介绍,并推导了DQN算法。然后在此基础上,针对深孔装配任务对DQN算法进行了整体流程设计、状态设定、动作设定和奖励设定,最终实现相较于基于阻抗控制的力控方法的装配综合性能提高15.6%。最后,在真实场景下对本文提出的力控方法进行训练与实验。首先设计并搭建了一套基于两种力控方法的软件系统,实现传感器、机器人控制器、力控算法和交互界面的联动工作。最后在软件系统的基础上,分别进行了两种力控方法的装配实验,验证所提出的力控方法和装配策略的有效性。