Original scientific paperThis paper investigates the genetic based re-planning search strategy, using neural learned vibration behavior for achieving tolerance compensation of uncertainties in robotic assembly. The vibration behavior was created from complex robot assembly of cogged tube over multistage planetary speed. Complex extensive experimental investigations were conducted for the purpose of finding the optimum vibration solution for each planetary stage reducer in order to complete the assembly process in defined real-time. However, tuning those parameters through experimental discovering for improved performance is a time consuming process. Neural network based learning was used to generate wider scope of parameters in order to improve the robot behavior during each state of the assembly process. As a novel modelling formalism of reactive hybrid automata, we propose the Wormhole Model with both learning and re-planning capacities (WOMOLERE). For our application, the states of hybrid automaton include amplitudes and frequencies of robot vibration module. The transition action is a function of minimal distance and uncertainty effects due to jamming during the assembly process. The results suggest that the methodology is adequate and could be recognized as an idea for designing of robot surgery assistance methods, especially in soft-robotics. Genetski bazirana strategija re-planiranja modela crvotočine korištenjem neuronski naučenog vibracijskog ponašanja u robotskoj montaži. Ovajčlanak prezentira strategiju re-planiranja kretanja, baziranu na genetskom algoritmu, korištenjem neuronski naučenog vibracijskog ponašanja u cilju postizanja kompenzacije tolerancije neizvjesnosti u procesu robotske montaže. Vibracijsko ponašanje je kreirano iz kompleksne robotske montaže nazubljene cjevčice preko višestupanjskog planetarnog reduktora brzine motora. Provedeni su brojni eksperimenti s ciljem odreîivanja optimalnih amplituda i frekvencija vibracijskog modula robota za svaki stupanj reduktora s ciljem završetka procesa montaže u definiranom realnom vremenu. Meîutim, podešavanje ovih parametara kroz eksperimente u cilju unaprjeîenja perfomansi je vremenski zahtjevan proces. Učenje bazirano na neuronskim mrežama je korišteno za generiranje šireg opsega parametara stanja modela u cilju unaprjeîenja robotskog ponašanja tijekom svake faze procesa montiranja. Kao novi formalizam modeliranja reaktivnog hibridnog automata, predložili smo model crvotočine, sa sposobnostima i učenja i re-planiranja (WOMOLERE). Za našu aplikaciju, stanja hibridnog automata sadrže amplitude i frekvencije robotskog vibracijskog modula. Akcija tranzicije je funkcija minimalne distance i učinaka neizvjesnosti uslijed zaglavljenja pri procesu montiranja. Rezultati pokazuju da je metodologija prikladna i kao ideja se može koristiti u dizajniranju metoda robotske asistencije pri operacijama, osobito u soft robotici.