AnswersPublished13 sources
Il tatto aiuta un robot a inserire pezzi con appena 0,05 mm di gioco
Con un gioco di 0,05 mm, il sistema con informazioni tattili ha completato l’inserimento nel 67% dei tentativi, contro il 52% dell’apprendimento per imitazione e rinforzo senza tatto. L’approccio usa l’apprendimento per imitazione per afferrare i perni e raggiungere il foro, poi l’apprendimento per rinforzo con feed...
Pubblicato daModificato con GPT-6 LunaImmagini generate con GPT Image 2
Research answer
Key takeaways
- Con un gioco di 0,05 mm, il sistema con informazioni tattili ha completato l’inserimento nel 67% dei tentativi, contro il 52% dell’apprendimento per imitazione e rinforzo senza tatto.
- L’approccio usa l’apprendimento per imitazione per afferrare i perni e raggiungere il foro, poi l’apprendimento per rinforzo con feedback tattile per inserire il pezzo e correggere gli errori di contatto.
- Una lettura tattile di riferimento e un campionamento bilanciato per gruppi di coppia hanno aiutato il robot a distinguere i carichi della presa da quelli dell’inserimento e ad apprendere dai contatti difficili.
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
Quando un perno è disallineato anche di poco, può incepparsi nel foro o premere troppo contro i bordi. In From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances, un gruppo dell’Istituto di Automazione dell’Accademia cinese delle scienze ha combinato un avvicinamento guidato dalla vista con un apprendimento per rinforzo che tiene conto del tatto nella fase di inserimento. Nella prova più impegnativa, con appena 0,05 mm di gioco, il sistema ha avuto successo nel 67% dei tentativi: meglio della versione senza tatto, ma non ancora in modo affidabile a ogni prova. 1
9
Due fasi, due problemi diversi
I ricercatori non hanno affidato l’intero compito a un’unica strategia. L’apprendimento per imitazione con Diffusion Policy ha insegnato al robot ad afferrare perni collocati casualmente e a portarli verso il foro. Per l’inserimento di precisione e il recupero dopo un contatto problematico, hanno poi usato l’apprendimento per rinforzo Soft Actor-Critic. 1
La distinzione è importante: raggiungere l’apertura e correggere la traiettoria una volta che il perno tocca il foro non sono la stessa cosa. In quella fase, piccoli errori di allineamento modificano le forze di contatto e possono bloccare il movimento. Una strategia di recupero appresa può reagire a ciò che accade, invece di ripetere semplicemente il movimento dimostrato. 1
Il tatto aiuta a valutare il contatto
Il sistema usa un’architettura attore-critico asimmetrica. L’attore, che determina le azioni, si basa soprattutto sulla vista; il critico usa anche informazioni tattili per valutare le azioni durante l’apprendimento. In sostanza, il tatto aiuta il sistema a interpretare le situazioni ricche di contatto e a migliorare la strategia: non significa che l’attore usi direttamente il tatto per decidere ogni movimento durante l’esecuzione. 1
Per distinguere le forze dell’inserimento da quelle già presenti nella presa, il gruppo ha registrato una lettura tattile di riferimento dopo aver afferrato il perno, ma prima che toccasse il foro. Le letture successive sono state confrontate con questa base, così da isolare meglio le forze e le coppie generate dall’inserimento. 1
Inoltre, i campioni di addestramento sono stati suddivisi in gruppi in base alla coppia e poi selezionati in modo bilanciato. Questa scelta ha dato al sistema più occasioni di apprendere da contatti e tentativi falliti importanti, che un campionamento non bilanciato avrebbe potuto rappresentare meno. 1
Le prove con giochi sempre più stretti
La configurazione sperimentale comprendeva un braccio robotico Franka Emika Panda a sette gradi di libertà, un sensore tattile PaXini PX-6AX GEN3 a sei assi montato sulla punta del dito e telecamere Intel RealSense, una sul polso e una per la visione d’insieme. I test hanno riguardato fori quadrati, rotondi, esagonali, a L e triangolari, con giochi di 1 mm, 0,25 mm e 0,05 mm. 1
| Gioco | Successo con la sola imitazione |
|---|---|
| 1 mm | 76% |
| 0,25 mm | 24% |
| 0,05 mm | 0% |
Nel caso più difficile, aggiungere l’apprendimento per rinforzo senza feedback tattile ha portato il tasso di successo al 52%. Con il critico informato dal tatto e il campionamento per gruppi, il risultato è salito al 67%: 15 punti percentuali in più. Il lavoro riporta inoltre una riduzione del 60% della forza massima di interazione e del 44% della coppia massima. 1
9
10
Un miglioramento, non una garanzia
I risultati indicano che il tatto può rendere l’inserimento appreso più efficace e delicato quando la sola vista non basta a chiarire cosa succede nel punto di contatto. Il contributo non consiste semplicemente nell’aggiungere un sensore tattile agli input di una politica visiva: combina apprendimento in due fasi, valutazione delle azioni informata dal tatto, sottrazione della lettura di riferimento e campionamento bilanciato delle esperienze di contatto. 1
Resta però un limite concreto: con un gioco di 0,05 mm il sistema ha fallito in circa un tentativo su tre. I risultati mostrano un miglioramento nella configurazione testata, non un inserimento garantito per qualsiasi compito di assemblaggio di precisione. 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 "Il tatto aiuta un robot a inserire pezzi con appena 0,05 mm di gioco"?
Con un gioco di 0,05 mm, il sistema con informazioni tattili ha completato l’inserimento nel 67% dei tentativi, contro il 52% dell’apprendimento per imitazione e rinforzo senza tatto.
What are the key points to validate first?
Con un gioco di 0,05 mm, il sistema con informazioni tattili ha completato l’inserimento nel 67% dei tentativi, contro il 52% dell’apprendimento per imitazione e rinforzo senza tatto. L’approccio usa l’apprendimento per imitazione per afferrare i perni e raggiungere il foro, poi l’apprendimento per rinforzo con feedback tattile per inserire il pezzo e correggere gli errori di contatto.
What should I do next in practice?
Una lettura tattile di riferimento e un campionamento bilanciato per gruppi di coppia hanno aiutato il robot a distinguere i carichi della presa da quelli dell’inserimento e ad apprendere dai contatti difficili.
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