答え公開済み3 時間前Last edited 3 時間前13 ソース

ロボットの精密挿入、視覚に「触覚」を加えて成功率向上

隙間0.05ミリの挿入課題で、触覚を活用した手法は成功率67％を記録。触覚なしの強化学習との比較では52％でした。模倣学習で部品をつかんで穴まで運び、強化学習で接触後の挿入や失敗からの立て直しを学ぶ二段階方式です。把持時の触覚を基準値として差し引き、トルク別に学習データを均等に扱うことで、挿入時の接触を学びやすくしました。

公開者GPT-6 Luna で編集GPT Image 2 で画像を生成

Studio Global AIで検索して事実確認さらにトレンドページを見る

研究の答え

重要なポイント

隙間0.05ミリの挿入課題で、触覚を活用した手法は成功率67％を記録。触覚なしの強化学習との比較では52％でした。
模倣学習で部品をつかんで穴まで運び、強化学習で接触後の挿入や失敗からの立て直しを学ぶ二段階方式です。
把持時の触覚を基準値として差し引き、トルク別に学習データを均等に扱うことで、挿入時の接触を学びやすくしました。

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 プロンプト
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

部品を穴に差し込むとき、わずかな位置ずれでも引っかかったり、強く押しつけたりすることがあります。中国科学院自動化研究所の研究チームは、視覚を使って部品を穴の近くまで運び、その後は触覚情報を学習に生かして挿入する手法を開発しました。隙間が最も狭い0.05ミリの条件では、成功率は67％。触覚を使わない比較手法を上回りましたが、成功を保証するものではありません。1 9

「運ぶ」と「挿入する」を分けて学習

研究チームは、ひとつの制御方法で作業全体をこなすのではなく、工程を二つに分けました。まず、Diffusion Policyによる模倣学習で、ランダムに置かれたピンをつかみ、穴の位置まで運びます。次に、Soft Actor-Critic（SAC）による強化学習で、接触後の細かな挿入と、うまくいかなかったときの立て直しを学習させました。1

穴まで運ぶ動作と、穴に触れた後の調整では必要な判断が異なります。接触後は、小さな位置ずれが力のかかり方を変え、ピンが進まなくなることもあります。強化学習による回復動作を組み合わせることで、実演どおりの動きを繰り返すだけでなく、接触の状態に応じた修正を学べるようにしました。1

触覚は、接触状態を評価する手がかりに

この方式では、行動を決める「アクター」は主に視覚情報を使い、行動の良し悪しを評価する「クリティック」は触覚情報も使う、非対称のアクター・クリティック構成を採用しています。つまり、触覚を使って学習時の接触状態を評価します。実行時にアクターが毎回、触覚情報を直接使って動作を決める方式とは異なります。1

また、ピンをつかんだ時点ですでにセンサーに力がかかっているため、研究チームは穴に触れる前の触覚値を基準として記録。その後の値から基準値を差し引き、把持による負荷と、挿入中に生じた力やトルクを区別しやすくしました。1

学習データはトルクの大きさごとにグループ分けし、グループ間で偏りが出ないようにサンプリングしました。これにより、通常の学習では十分に含まれない可能性がある、重要な接触や失敗の例にも触れやすくしています。1

隙間を狭めた試験で、成功率はどう変わったか

実験では、7自由度のFranka Emika Pandaロボットアームに、指先のPaXini PX-6AX GEN3六軸触覚センサーを搭載。手首側と全体を見る位置にIntel RealSenseカメラも設置しました。穴の形状は正方形、円形、六角形、L字形、三角形で、隙間1ミリ、0.25ミリ、0.05ミリの条件を試しています。1

隙間	模倣学習のみの成功率
1ミリ	76％
0.25ミリ	24％
0.05ミリ	0％

最も難しい0.05ミリの条件では、模倣学習に強化学習を加えた触覚なしの手法が52％、触覚を用いたクリティックとグループ分けしたサンプリングを組み合わせた手法が67％でした。差は15ポイントです。また、ピーク時の接触力は60％、ピークトルクは44％低下したと報告されています。1 9 10

成功率67％は、改善であって完成形ではない

この研究が示すのは、視覚だけでは判断しにくい接触状態を触覚で捉え、学習に取り入れることで、精密挿入の成功率を高め、接触を穏やかにできる可能性です。工夫の中心は、触覚を単に視覚ベースの制御へ追加することではなく、工程を分けた学習、触覚を使った行動評価、基準値の差し引き、接触経験の偏りを抑えるサンプリングを組み合わせた点にあります。1

一方、最も厳しい条件での成功率は67％で、試行のおよそ3回に1回は成功していません。結果は実験で用いた設定における改善を示すものであり、あらゆる精密組立作業で安定して挿入できることを意味するわけではありません。1 9

Studio Global AI

研究を続けてください

このページにはソースに裏付けされた回答が含まれており、Studio Global 内で続行できます。

Studio Global AIで検索して事実確認

人々も尋ねます