AnswersPublished13 sources
Robot se při přesném zasouvání učil nejen dívat, ale i „cítit“
Při vůli 0,05 mm dosáhl robot s hmatově informovaným učením úspěšnosti 67 %, zatímco varianta bez hmatu 52 %. Systém nejprve pomocí imitace uchopil kolík a navedl ho k otvoru; následné zasouvání a řešení chyb při kontaktu zajišťovalo posilované učení.
PublikovalUpraveno pomocí GPT-6 LunaObrázky vytvořeny pomocí GPT Image 2
Research answer
Key takeaways
- Při vůli 0,05 mm dosáhl robot s hmatově informovaným učením úspěšnosti 67 %, zatímco varianta bez hmatu 52 %.
- Systém nejprve pomocí imitace uchopil kolík a navedl ho k otvoru; následné zasouvání a řešení chyb při kontaktu zajišťovalo posilované učení.
- Výzkumníci zohlednili výchozí zatížení senzoru po uchopení a při trénování vyvažovali vzorky podle točivého momentu.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How did Long Cheng’s team at the Institute of Automation of the Chinese Academy of Sciences (CASIA), including Xinpan Meng, Houcheng Li and. Article summary: They separated coarse, vision-guided manipulation from contact-rich precision insertion: imitation learning brought the peg to the hole, while tactile-augmented reinforcement learning learned insertion and recovery from . Topic tags: general, academic, general web, government. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts wi
I drobná chyba v poloze může způsobit, že se součástka při zasouvání zasekne nebo robot zatlačí příliš silně. Výzkumný tým z Ústavu automatizace Čínské akademie věd v práci From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances rozdělil úlohu na vizuálně naváděné přiblížení a následné zasouvání, při němž učení zohledňovalo hmatová data. Při nejmenší testované vůli 0,05 mm dosáhl systém úspěšnosti 67 procent. To je lepší výsledek než u srovnávací metody bez hmatu, rozhodně však ne záruka bezchybného zasunutí. 1
9
Dvě fáze místo jedné
Robot nejprve pomocí imitativního učení s metodou Diffusion Policy uchopil náhodně umístěný kolík a přemístil ho k otvoru. Jemné zasouvání a zotavení po neúspěšném kontaktu pak řešilo posilované učení metodou Soft Actor-Critic. 1
Rozdělení odpovídá tomu, že přiblížit kolík k otvoru a napravit jeho polohu poté, co se dotkne okraje, jsou odlišné úlohy. Při kontaktu mohou i malé odchylky změnit působící síly a pohyb zablokovat. Naučený postup pro zotavení umožňuje reagovat na průběh kontaktu, místo aby robot pouze opakoval předvedený pohyb. 1
Hmat pomáhal při učení vyhodnocovat kontakt
Tým použil asymetrickou architekturu actor–critic. Aktér, který vybírá akce robota, vycházel především z obrazu; kritik při učení navíc dostával hmatové informace a pomáhal hodnotit, jak se akce osvědčily. Neznamená to tedy, že by nasazený aktér při každém pohybu přímo používal hmatový vstup. 1
Výzkumníci také odečetli výchozí zatížení vznikající při uchopení kolíku. Hmatový základ zaznamenali po uchopení, ale ještě před dotykem s otvorem. Pozdější měření pak mohli porovnávat s touto hodnotou a lépe odlišit síly a momenty při zasouvání od zatížení způsobeného samotným úchopem. 1
Vzorky pro trénování rozdělili do skupin podle točivého momentu a vybírali je vyváženě. Díky tomu mělo učení více příležitostí pracovat s důležitými kontaktními situacemi a neúspěchy, které by jinak mohly být zastoupeny méně často. 1
Zkoušky s různě těsnými otvory
Experimentální sestava zahrnovala sedmistupňové robotické rameno Franka Emika Panda, šestiosý hmatový senzor PaXini PX-6AX GEN3 na špičce prstu a kamery Intel RealSense: jednu na zápěstí a druhou pro celkový pohled. Tým zkoušel otvory čtvercové, kruhové, šestiúhelníkové, ve tvaru L a trojúhelníkové. Vůle činila 1 mm, 0,25 mm nebo 0,05 mm. 1
| Vůle | Úspěšnost čistě imitativního učení |
|---|---|
| 1 mm | 76 % |
| 0,25 mm | 24 % |
| 0,05 mm | 0 % |
Při vůli 0,05 mm dosáhla kombinace imitativního a posilovaného učení bez hmatu úspěšnosti 52 procent. Verze s hmatově informovaným kritikem a vyváženým výběrem vzorků dosáhla 67 procent, tedy o 15 procentních bodů více. Studie zároveň uvádí snížení maximální síly při kontaktu o 60 procent a maximálního točivého momentu o 44 procent. 1
9
10
Lepší výsledek neznamená jistý zásah
Výsledky naznačují, že hmat může robotovi pomoci při naučeném zasouvání v situacích, kdy samotný obraz nedokáže kontakt dostatečně popsat. Přínos nespočívá jen v přidání hmatového signálu do vstupu robota: přístup kombinuje dvoufázové učení, hmatové informace pro hodnocení akcí, odečtení výchozího zatížení a vyvážené zastoupení kontaktních zkušeností při trénování. 1
Při nejnáročnější vůli ale robot uspěl v 67 procentech pokusů, takže zhruba třetina pokusů skončila neúspěchem. Výsledky ukazují zlepšení v testované sestavě, nikoli spolehlivé zasunutí každé součástky s těsnou tolerancí. 1
9
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Robot se při přesném zasouvání učil nejen dívat, ale i „cítit“"?
Při vůli 0,05 mm dosáhl robot s hmatově informovaným učením úspěšnosti 67 %, zatímco varianta bez hmatu 52 %.
What are the key points to validate first?
Při vůli 0,05 mm dosáhl robot s hmatově informovaným učením úspěšnosti 67 %, zatímco varianta bez hmatu 52 %. Systém nejprve pomocí imitace uchopil kolík a navedl ho k otvoru; následné zasouvání a řešení chyb při kontaktu zajišťovalo posilované učení.
What should I do next in practice?
Výzkumníci zohlednili výchozí zatížení senzoru po uchopení a při trénování vyvažovali vzorky podle točivého momentu.
Sources
arxiv.orgFrom Reach to Insert: Tactile-Augmented Precision Assembly under ...
lefilrobotique.frDossier ICRA / IROS / CoRL - Le Fil Robotique
guandian.hk中科院自動化所程龍團隊提出觸覺增強框架 0.05毫米間隙成功率67% - 觀點網