JawabanDipublikasikan13 sumber
Sentuhan membantu robot merakit komponen dengan celah superketat
Pada celah 0,05 mm, pendekatan dengan kritik berbasis informasi taktil mencapai keberhasilan 67%, dibandingkan 52% pada pembanding tanpa sentuhan. Robot menggunakan pembelajaran imitasi untuk meraih dan mendekati lubang, lalu pembelajaran penguatan untuk melakukan penyisipan dan memulihkan gerakan setelah kontak yan...
Diterbitkan olehDiedit dengan GPT-6 LunaGambar dibuat dengan GPT Image 2
Jawaban penelitian
Poin-poin penting
- Pada celah 0,05 mm, pendekatan dengan kritik berbasis informasi taktil mencapai keberhasilan 67%, dibandingkan 52% pada pembanding tanpa sentuhan.
- Robot menggunakan pembelajaran imitasi untuk meraih dan mendekati lubang, lalu pembelajaran penguatan untuk melakukan penyisipan dan memulihkan gerakan setelah kontak yang keliru.
- Sistem mengurangi pembacaan taktil dengan nilai dasar setelah komponen digenggam dan menyeimbangkan sampel latihan berdasarkan torsi.
AI Perintah
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
Kesalahan posisi yang kecil saja dapat membuat komponen tersangkut saat dimasukkan ke lubang berkelonggaran sangat sempit. Robot biasanya dapat melihat posisi komponen, tetapi informasi visual belum tentu cukup untuk mengetahui apa yang terjadi setelah komponen menyentuh tepi lubang. Dalam penelitian From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances, tim dari Institute of Automation, Chinese Academy of Sciences, menggabungkan penglihatan dengan informasi sentuhan untuk menangani tahap penyisipan yang penuh kontak. Pada celah terkecil yang diuji, 0,05 mm, sistem mencapai tingkat keberhasilan 67%—lebih baik daripada pembanding tanpa sentuhan, tetapi belum menjamin setiap upaya berhasil. 1
9
Tugas dibagi menjadi dua tahap
Alih-alih menggunakan satu kebijakan kendali untuk seluruh proses, para peneliti memisahkan gerakan menuju lubang dari proses penyisipan. Pembelajaran imitasi dengan Diffusion Policy mengendalikan robot saat menggenggam pasak yang posisinya diacak dan membawanya mendekati lubang. Setelah itu, pembelajaran penguatan dengan Soft Actor-Critic menangani penyelarasan halus, penyisipan, serta pemulihan ketika kontak tidak berjalan sesuai rencana. 1
Pembagian ini penting karena mendekati lubang dan mengatasi komponen yang tersangkut adalah persoalan berbeda. Setelah pasak menyentuh lubang, sedikit kesalahan posisi dapat mengubah gaya kontak dan menghambat gerakan. Kebijakan pemulihan yang dipelajari dapat menanggapi interaksi tersebut, bukan sekadar mengulangi gerakan yang dicontohkan. 1
Informasi sentuhan membantu menilai kontak
Metode ini memakai rancangan aktor–kritikus asimetris. Aktor, yang memilih tindakan robot, terutama mengandalkan penglihatan. Sementara itu, kritikus turut menerima informasi taktil untuk menilai tindakan selama proses pembelajaran. Jadi, sentuhan membantu sistem belajar mengevaluasi situasi yang melibatkan kontak; hal ini tidak berarti aktor yang digunakan saat robot bekerja selalu menerima masukan taktil secara langsung. 1
Tim juga memperhitungkan gaya yang sudah muncul saat robot menggenggam pasak. Mereka mencatat nilai dasar taktil setelah pasak digenggam, tetapi sebelum menyentuh lubang. Pembacaan berikutnya dibandingkan dengan nilai dasar tersebut agar gaya dan torsi akibat penyisipan dapat dibedakan dari beban yang berasal dari genggaman. 1
Untuk melatih sistem, sampel dikelompokkan berdasarkan torsi, lalu diambil secara seimbang dari tiap kelompok. Dengan cara ini, sistem mendapat paparan lebih banyak terhadap contoh kontak dan kegagalan yang penting, tetapi mungkin kurang terwakili jika sampel diambil tanpa pengelompokan. 1
Keberhasilan berubah seiring sempitnya celah
Pengujian menggunakan lengan robot Franka Emika Panda dengan tujuh derajat kebebasan, sensor taktil enam sumbu PaXini PX-6AX GEN3 di ujung jari, serta kamera Intel RealSense yang dipasang di pergelangan dan digunakan untuk pandangan global. Bentuk lubang yang diuji meliputi persegi, bulat, segi enam, L, dan segitiga. Celahnya masing-masing 1 mm, 0,25 mm, dan 0,05 mm. 1
| Celah | Keberhasilan pembelajaran imitasi saja |
|---|---|
| 1 mm | 76% |
| 0,25 mm | 24% |
| 0,05 mm | 0% |
Pada celah 0,05 mm, pembelajaran imitasi yang dilanjutkan dengan pembelajaran penguatan tanpa sentuhan mencapai keberhasilan 52%. Pendekatan dengan kritikus berbasis informasi taktil dan pengambilan sampel berkelompok mencapai 67%—naik 15 poin persentase. Penelitian itu juga melaporkan penurunan gaya interaksi puncak sebesar 60% dan torsi puncak sebesar 44%. 1
9
10
Lebih baik, tetapi belum selalu berhasil
Hasil ini menunjukkan bahwa informasi sentuhan dapat membantu robot melakukan penyisipan dengan lebih efektif dan lembut ketika penglihatan saja tidak cukup untuk membaca situasi kontak. Kontribusi penelitian ini bukan sekadar menambahkan sensor taktil ke masukan kebijakan berbasis penglihatan. Pendekatannya juga menggabungkan pembelajaran bertahap, penilaian tindakan yang menggunakan informasi taktil, pengurangan nilai dasar sensor, dan pengambilan sampel pengalaman kontak secara seimbang. 1
Namun, keberhasilan 67% berarti sekitar sepertiga percobaan pada celah paling menantang masih gagal. Temuan ini menunjukkan peningkatan pada konfigurasi yang diuji, bukan bukti bahwa robot dapat selalu menyisipkan komponen dengan toleransi sangat ketat. 1
9
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Orang-orang juga bertanya
Apa jawaban singkat untuk "Sentuhan membantu robot merakit komponen dengan celah superketat"?
Pada celah 0,05 mm, pendekatan dengan kritik berbasis informasi taktil mencapai keberhasilan 67%, dibandingkan 52% pada pembanding tanpa sentuhan.
Apa poin penting yang harus divalidasi terlebih dahulu?
Pada celah 0,05 mm, pendekatan dengan kritik berbasis informasi taktil mencapai keberhasilan 67%, dibandingkan 52% pada pembanding tanpa sentuhan. Robot menggunakan pembelajaran imitasi untuk meraih dan mendekati lubang, lalu pembelajaran penguatan untuk melakukan penyisipan dan memulihkan gerakan setelah kontak yang keliru.
Apa yang harus saya lakukan selanjutnya dalam latihan?
Sistem mengurangi pembacaan taktil dengan nilai dasar setelah komponen digenggam dan menyeimbangkan sampel latihan berdasarkan torsi.
Sumber
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