उत्तरप्रकाशित3 घंटे पहलेLast edited 3 घंटे पहले13 स्रोत

0.05 मिलीमीटर की जगह में पुर्ज़ा डालने में स्पर्श-संवेदक ने रोबोट की कैसे मदद की

0.05 मिलीमीटर की क्लियरेंस पर स्पर्श संवेदी प्रणाली ने 67% सफलता हासिल की; बिना स्पर्श सूचना वाले सीखने के तरीके से यह 52% थी। प्रणाली ने पकड़ने और छेद तक पहुंचने के लिए नकल आधारित सीखने का, जबकि पुर्ज़ा डालने और संपर्क में गड़बड़ी से उबरने के लिए रिइन्फोर्समेंट लर्निंग का इस्तेमाल किया। पकड़ के बाद दर्ज किए गए स्पर...

प्रकाशितकर्ताGPT-6 Luna से संपादितGPT Image 2 से चित्र बनाए गए

Studio Global AI के साथ खोजें और तथ्यों की जांच करें और ट्रेंडिंग पेज देखें

शोध उत्तर

मुख्य निष्कर्ष

0.05 मिलीमीटर की क्लियरेंस पर स्पर्श संवेदी प्रणाली ने 67% सफलता हासिल की; बिना स्पर्श सूचना वाले सीखने के तरीके से यह 52% थी।
प्रणाली ने पकड़ने और छेद तक पहुंचने के लिए नकल आधारित सीखने का, जबकि पुर्ज़ा डालने और संपर्क में गड़बड़ी से उबरने के लिए रिइन्फोर्समेंट लर्निंग का इस्तेमाल किया।
पकड़ के बाद दर्ज किए गए स्पर्श संकेतों को आधार मानकर घटाने और टॉर्क के हिसाब से प्रशिक्षण नमूने संतुलित करने से रोबोट को संपर्क की कठिन स्थितियों से सीखने में मदद मिली।

Illustration of a robot arm aligning a part for precision insertion — How did Long Cheng’s team at the Institute of Automation of the Chinese Academy of Sciences (CASIA), including Xinpan Meng, Houcheng Li andIllustrative image of tactile-guided robotic insertion; it is not a photograph of the study’s experimental setup.
AI संकेत
Create 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
openai.com

बहुत कम खाली जगह वाले छेद में पुर्ज़ा डालते समय मामूली-सी दिशा या स्थिति की गलती भी उसे अटका सकती है या रोबोट को पुर्ज़े पर ज़्यादा दबाव डालने के लिए मजबूर कर सकती है। From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances शोधपत्र में चीनी विज्ञान अकादमी के स्वचालन संस्थान की टीम ने इस समस्या के लिए दो तरह की सीख को जोड़ा: कैमरे की मदद से पुर्ज़े तक पहुंचना और संपर्क के दौरान स्पर्श-सूचना का इस्तेमाल करना। सबसे कम जांची गई क्लियरेंस—0.05 मिलीमीटर—पर इस तरीके ने 67% सफलता हासिल की। यह बिना स्पर्श-सूचना वाले सीखने के तरीके से बेहतर था, लेकिन सफलता की पूरी गारंटी नहीं देता। 1 9

पहले पहुंचना, फिर पुर्ज़ा डालना

टीम ने पूरे काम के लिए एक ही नीति सिखाने के बजाय इसे दो चरणों में बांटा। पहले चरण में Diffusion Policy नाम की नकल-आधारित सीखने की विधि ने बेतरतीब जगहों पर रखे पेग को पकड़कर छेद तक ले जाना सीखा। दूसरे चरण में Soft Actor-Critic (SAC) नाम की रिइन्फोर्समेंट लर्निंग विधि ने पेग को ठीक से भीतर डालने और संपर्क बिगड़ने पर उससे उबरने का काम संभाला। 1

यह बंटवारा इसलिए अहम है कि छेद तक पहुंचना और छू जाने के बाद सही दिशा में सुधार करना अलग चुनौतियां हैं। पेग के छेद से टकराते ही छोटी-सी गलत संरेखण भी दबाव और टॉर्क बदल सकती है और आगे बढ़ने से रोक सकती है। ऐसी स्थिति में सीखी हुई सुधार-नीति, पहले से दिखाई गई गति को बस दोहराने के बजाय, संपर्क के मुताबिक प्रतिक्रिया दे सकती है। 1

स्पर्श ने हर हरकत नहीं, सीखने के दौरान संपर्क का आकलन किया

शोधकर्ताओं ने asymmetric actor–critic संरचना अपनाई। इसमें actor—जो कार्रवाई चुनता है—मुख्यतः कैमरे से मिली जानकारी पर आधारित था, जबकि critic—जो सीखने के दौरान कार्रवाई के मूल्य का आकलन करता है—को स्पर्श-सूचना भी दी गई। यानी स्पर्श ने संपर्क वाली मुश्किल स्थितियों में कार्रवाई का मूल्यांकन करने और नीति को बेहतर बनाने में मदद की। इसका यह अर्थ नहीं है कि काम करते समय actor हर कार्रवाई के लिए सीधे स्पर्श-संकेतों पर निर्भर था। 1

टीम ने पेग को पकड़ने से पैदा होने वाले दबाव को भी ध्यान में रखा। पेग पकड़ने के बाद, लेकिन छेद से संपर्क होने से पहले, उन्होंने स्पर्श-संकेतों का आधार दर्ज किया। बाद की रीडिंग से इस आधार की तुलना करने पर पकड़ के कारण पहले से मौजूद भार और पुर्ज़ा डालते समय पैदा हुए बल या टॉर्क को अलग करना आसान हुआ। 1

प्रशिक्षण के नमूनों को टॉर्क के आधार पर समूहों में बांटा गया और फिर समूहों से संतुलित तरीके से नमूने लिए गए। इससे सीखने की प्रक्रिया को महत्वपूर्ण संपर्क और विफलता वाले उदाहरणों का अधिक अभ्यास मिला—ऐसे उदाहरण, जो सामान्य नमूना-चयन में कम आ सकते थे। 1

घटती क्लियरेंस के साथ प्रदर्शन की जांच

परीक्षण में सात डिग्री-ऑफ-फ्रीडम वाला Franka Emika Panda रोबोटिक आर्म, उंगलियों के सिरे पर लगा PaXini PX-6AX GEN3 छह-अक्षीय स्पर्श-सेंसर, और कलाई पर लगा तथा दूर से देखने वाला Intel RealSense कैमरा इस्तेमाल किया गया। टीम ने चौकोर, गोल, षट्कोणीय, L-आकार और त्रिकोणीय छेदों में 1, 0.25 और 0.05 मिलीमीटर क्लियरेंस पर परीक्षण किए। 1

क्लियरेंस	केवल नकल-आधारित सीखने से सफलता
1 मिमी	76%
0.25 मिमी	24%
0.05 मिमी	0%

0.05 मिलीमीटर पर रिइन्फोर्समेंट लर्निंग जोड़ने से, लेकिन स्पर्श-सूचना के बिना, सफलता 52% हुई। स्पर्श-सूचना वाले critic और समूहबद्ध नमूनों के साथ यह बढ़कर 67% पहुंची—यानी 15 प्रतिशत-बिंदु का सुधार। अध्ययन में अधिकतम संपर्क-बल में 60% और अधिकतम टॉर्क में 44% कमी भी दर्ज की गई। 1 9 10

बेहतर नतीजे, लेकिन अभी भी हर बार सफलता नहीं

नतीजे बताते हैं कि जब कैमरे से मिली जानकारी संपर्क को समझने के लिए पर्याप्त न हो, तब स्पर्श-सूचना रोबोट को पुर्ज़ा डालने का काम बेहतर और कम बल से करने में मदद कर सकती है। योगदान सिर्फ दृष्टि-आधारित नीति में एक और संकेत जोड़ना नहीं था: इसमें चरणबद्ध सीखना, स्पर्श-सूचना से कार्रवाई का आकलन, आधार-संकेत घटाना और संपर्क के उदाहरणों का संतुलित प्रशिक्षण—सभी शामिल थे। 1

फिर भी, सबसे कठिन 0.05 मिलीमीटर क्लियरेंस पर 67% सफलता का मतलब है कि रिपोर्ट किए गए प्रयासों में करीब एक-तिहाई बार रोबोट सफल नहीं हुआ। ये नतीजे जांचे गए सेटअप में सुधार दिखाते हैं; वे हर तरह के बेहद सटीक पुर्जा-फिटिंग काम में भरोसेमंद सफलता साबित नहीं करते। 1 9

Studio Global AI

अपना शोध जारी रखें

इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।

Studio Global AI के साथ खोजें और तथ्यों की जांच करें

लोग पूछते भी हैं