AnswersPublished13 sources
Robot bruger følesans til at sætte dele sammen med 0,05 mm frigang
Ved en frigang på 0,05 mm lykkedes indsættelsen i 67 procent af forsøgene med berøringsinformation mod 52 procent uden. Robotten brugte efterligningslæring til at gribe og føre emnet hen til hullet og forstærkningslæring til selve indsættelsen og håndtering af kontaktfejl.
Udgivet afRedigeret med GPT-6 LunaBilleder genereret med GPT Image 2
Research answer
Key takeaways
- Ved en frigang på 0,05 mm lykkedes indsættelsen i 67 procent af forsøgene med berøringsinformation mod 52 procent uden.
- Robotten brugte efterligningslæring til at gribe og føre emnet hen til hullet og forstærkningslæring til selve indsættelsen og håndtering af kontaktfejl.
- En måling af berøringssensorens udgangspunkt og en mere afbalanceret udvælgelse af træningseksempler hjalp systemet med at lære af krævende kontaktforløb.
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
En lille fejl i positionen kan få et emne til at sætte sig fast eller blive presset for hårdt mod kanten, når en robot skal føre det ind i et hul med meget snæver pasform. I studiet From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances kombinerede forskere fra Det Kinesiske Videnskabsakademis Institut for Automatisering synsstyret bevægelse med forstærkningslæring, der tog højde for berøringsinformation under selve indsættelsen. Ved den mindste testede frigang, 0,05 mm, lykkedes det i 67 procent af forsøgene – bedre end sammenligningen uden berøring, men langt fra fejlfrit. 1
9
To læringstrin til to forskellige opgaver
Forskerne lod ikke én læringsstrategi stå for hele opgaven. Først brugte de efterligningslæring med Diffusion Policy til at gribe pinde, der lå tilfældigt placeret, og føre dem hen mod hullet. Derefter tog forstærkningslæring med Soft Actor-Critic over for at finjustere indsættelsen og lære robotten at komme videre, hvis kontakten ikke forløb som planlagt. 1
Opdelingen afspejler, at det er én ting at finde åbningen og noget andet at korrigere, når emnet først rører kanten. Selv små fejl i retningen kan ændre kontaktkræfterne og blokere indsættelsen. En indlært strategi for at komme sig efter fejl giver robotten mulighed for at reagere på kontakten i stedet for blot at gentage den samme bevægelse. 1
Følesansen hjalp med at vurdere kontakten
Metoden brugte en asymmetrisk actor-critic-model. Den handlende del, kaldet actor, byggede hovedsageligt på syn, mens critic-delen også fik berøringsinformation og brugte den til at vurdere handlingerne under læringen. Det betyder, at følesansen hjalp systemet med at lære af situationer med fysisk kontakt – ikke nødvendigvis, at den færdige actor brugte berøringsdata direkte til hver eneste handling. 1
Forskerne tog også højde for det tryk, der allerede opstod, fordi robotten greb om emnet. De målte sensorens udgangspunkt efter grebet, men før emnet rørte hullet, og sammenlignede senere målinger med denne basisværdi. På den måde kunne de bedre skelne mellem belastningen fra grebet og kræfter og drejningsmomenter, der opstod under indsættelsen. 1
Under træningen blev eksemplerne desuden grupperet efter drejningsmoment og udvalgt mere balanceret på tværs af grupperne. Det gav læringen flere eksempler på vigtige kontaktforløb og fejl, som ellers kunne fylde mindre i træningsmaterialet. 1
Bedre resultater ved mindre frigang
Forsøgsopstillingen bestod af en Franka Emika Panda-robotarm med syv frihedsgrader, en seksakset PaXini PX-6AX GEN3-berøringssensor ved fingerspidsen samt Intel RealSense-kameraer på håndleddet og med overblik over forsøget. Forskerne testede fem hulformer: firkantet, rund, sekskantet, L-formet og trekantet. Frigangen var henholdsvis 1 mm, 0,25 mm og 0,05 mm. 1
| Frigang | Succesrate med ren efterligningslæring |
|---|---|
| 1 mm | 76 % |
| 0,25 mm | 24 % |
| 0,05 mm | 0 % |
Ved 0,05 mm frigang steg succesraten til 52 procent, da forstærkningslæring blev føjet til efterligningslæringen uden berøringsinformation. Med en berøringsinformeret critic og grupperet udvælgelse af træningseksempler nåede den 67 procent – en fremgang på 15 procentpoint. Studiet rapporterer også, at den største kontaktkraft blev reduceret med 60 procent, og det største drejningsmoment med 44 procent. 1
9
10
Et fremskridt, ikke en garanti
Resultaterne tyder på, at berøring kan hjælpe en robot med at håndtere indsættelser, hvor syn alene ikke giver nok information om kontakten. Metoden handler ikke blot om at føje et berøringssignal til en synsstyret robot: Den kombinerer trinvis læring, en berøringsinformeret vurdering af handlinger, fratrækning af sensorens udgangspunkt og en mere balanceret brug af kontaktoplevelser. 1
Men en succesrate på 67 procent betyder også, at indsættelsen mislykkedes i omtrent hvert tredje forsøg ved den mest krævende frigang. Studiet viser forbedringer i den afprøvede forsøgsopstilling – ikke, at robotten kan klare alle opgaver med snæver pasform pålideligt. 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 bruger følesans til at sætte dele sammen med 0,05 mm frigang"?
Ved en frigang på 0,05 mm lykkedes indsættelsen i 67 procent af forsøgene med berøringsinformation mod 52 procent uden.
What are the key points to validate first?
Ved en frigang på 0,05 mm lykkedes indsættelsen i 67 procent af forsøgene med berøringsinformation mod 52 procent uden. Robotten brugte efterligningslæring til at gribe og føre emnet hen til hullet og forstærkningslæring til selve indsættelsen og håndtering af kontaktfejl.
What should I do next in practice?
En måling af berøringssensorens udgangspunkt og en mere afbalanceret udvælgelse af træningseksempler hjalp systemet med at lære af krævende kontaktforløb.
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