답변게시됨13 소스
로봇은 손끝의 감각으로 초정밀 조립을 어떻게 배웠나
간극이 0.05mm인 시험에서 촉각 정보를 활용한 방식은 삽입 성공률 67%를 기록했다. 촉각 없이 모방학습과 강화학습을 결합한 비교 방식은 52%였다. 로봇은 모방학습으로 부품을 집어 구멍까지 옮긴 뒤, 강화학습으로 삽입과 접촉 오류에 대한 복구 동작을 익혔다.
게시자GPT-6 Luna로 편집GPT Image 2로 이미지 생성
연구 답변
주요 시사점
- 간극이 0.05mm인 시험에서 촉각 정보를 활용한 방식은 삽입 성공률 67%를 기록했다. 촉각 없이 모방학습과 강화학습을 결합한 비교 방식은 52%였다.
- 로봇은 모방학습으로 부품을 집어 구멍까지 옮긴 뒤, 강화학습으로 삽입과 접촉 오류에 대한 복구 동작을 익혔다.
- 잡는 힘을 기준값으로 기록해 삽입 중 접촉과 구분하고, 토크별로 학습 데이터를 고르게 뽑아 접촉 상황을 다양하게 학습하도록 했다.
AI 프롬프트
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
부품과 구멍 사이가 아주 좁으면 작은 위치 오차만으로도 부품이 걸리거나 로봇이 너무 큰 힘을 가할 수 있다. 중국과학원 자동화연구소 연구진은 논문 From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances에서 시각 기반 접근과 촉각 정보를 활용한 삽입 학습을 두 단계로 나눠 결합했다. 가장 까다로운 0.05mm 간극 시험에서 성공률은 67%였다. 촉각 없이 학습한 비교 방식보다 나은 결과지만, 완벽한 성공을 뜻하지는 않는다. 1
9
먼저 구멍까지 옮기고, 그다음 삽입을 배웠다
연구진은 집기부터 삽입까지 전 과정을 하나의 정책에 맡기지 않았다. 무작위로 놓인 핀을 집어 구멍 가까이 가져가는 단계에는 모방학습 기법인 Diffusion Policy를 사용했다. 이후 실제 접촉이 일어나는 미세 삽입과 접촉 실패 뒤의 복구에는 강화학습 기법인 Soft Actor-Critic(SAC)을 적용했다. 1
두 단계를 나눈 이유는 구멍까지 이동하는 일과 부품이 구멍에 닿은 뒤 정렬을 바로잡는 일이 서로 다른 문제이기 때문이다. 부품이 가장자리에 걸리면 미세한 위치 차이가 접촉 방향과 힘을 바꾸고, 삽입을 막을 수 있다. 접촉에 대응하는 복구 동작을 학습하면 같은 동작을 되풀이하는 대신 상황에 맞게 움직일 수 있다. 1
촉각은 동작을 직접 지시하기보다 학습을 돕는다
이 방식은 비대칭 액터-크리틱 구조를 사용했다. 실제 동작을 선택하는 액터는 주로 시각 정보에 기반했고, 학습 중 동작의 가치를 평가하는 크리틱은 촉각 정보도 활용했다. 즉, 촉각 정보를 매 순간 액터에 직접 넣어 동작을 지시했다기보다, 접촉이 복잡한 상황에서 어떤 동작이 나은지 평가하도록 학습을 보조한 것이다. 1
연구진은 핀을 잡는 순간부터 센서에 잡히는 힘을 삽입 접촉으로 오인하지 않도록 기준값도 설정했다. 핀을 잡은 뒤 구멍에 닿기 전의 촉각 측정값을 기준으로 기록하고, 이후 측정값과 비교해 잡는 힘과 삽입 중 발생한 힘·토크를 구분했다. 1
학습 데이터는 토크 수준에 따라 묶은 뒤 각 묶음에서 균형 있게 뽑았다. 접촉이나 실패처럼 중요하지만 상대적으로 적게 나타날 수 있는 사례도 학습 과정에서 충분히 다루기 위한 방법이다. 1
간극이 좁아질수록 모방학습만으로는 어려웠다
실험에는 7자유도 Franka Emika Panda 로봇 팔, 손끝에 장착한 PaXini PX-6AX GEN3 6축 촉각 센서, 손목 장착 카메라와 전체 장면을 보는 Intel RealSense 카메라가 사용됐다. 구멍 모양은 정사각형·원형·육각형·L자형·삼각형이었고, 간극은 1mm, 0.25mm, 0.05mm로 달리했다. 1
| 간극 | 모방학습만 사용했을 때의 성공률 |
|---|---|
| 1mm | 76% |
| 0.25mm | 24% |
| 0.05mm | 0% |
가장 좁은 0.05mm 간극에서 모방학습에 강화학습을 더하되 촉각 정보는 쓰지 않은 방식은 성공률 52%를 기록했다. 촉각 정보를 크리틱에 반영하고 토크별 균형 샘플링을 적용한 방식은 67%로, 15%포인트 높았다. 최대 상호작용 힘은 60%, 최대 토크는 44% 줄었다고 연구진은 보고했다. 1
9
10
성능은 나아졌지만, 여전히 실패할 수 있다
이번 결과는 시각 정보만으로 접촉 상태를 충분히 파악하기 어려운 초정밀 삽입에서 촉각이 학습에 도움을 줄 수 있음을 보여준다. 핵심은 센서 신호를 단순히 시각 기반 정책에 덧붙이는 데 그치지 않는다. 단계별 학습, 촉각 정보를 활용한 동작 평가, 기준값 비교, 접촉 사례를 고려한 데이터 샘플링을 함께 사용했다. 1
다만 가장 까다로운 간극에서 성공률은 67%였다. 보고된 시험에서 세 번 중 한 번가량은 여전히 삽입에 실패했다는 뜻이다. 따라서 이 결과는 특정 실험 환경에서 성능과 접촉 부담을 개선했다는 의미이지, 모든 초정밀 조립 작업을 안정적으로 해낼 수 있다는 증거는 아니다. 1
9
Studio Global AI
연구를 계속하세요
이 페이지에는 Studio Global 내에서 계속할 수 있는 소스 기반 답변이 포함되어 있습니다.
사람들은 또한 묻습니다.
"로봇은 손끝의 감각으로 초정밀 조립을 어떻게 배웠나"에 대한 짧은 대답은 무엇입니까?
간극이 0.05mm인 시험에서 촉각 정보를 활용한 방식은 삽입 성공률 67%를 기록했다. 촉각 없이 모방학습과 강화학습을 결합한 비교 방식은 52%였다.
먼저 검증할 핵심 포인트는 무엇인가요?
간극이 0.05mm인 시험에서 촉각 정보를 활용한 방식은 삽입 성공률 67%를 기록했다. 촉각 없이 모방학습과 강화학습을 결합한 비교 방식은 52%였다. 로봇은 모방학습으로 부품을 집어 구멍까지 옮긴 뒤, 강화학습으로 삽입과 접촉 오류에 대한 복구 동작을 익혔다.
실무에서는 다음으로 무엇을 해야 합니까?
잡는 힘을 기준값으로 기록해 삽입 중 접촉과 구분하고, 토크별로 학습 데이터를 고르게 뽑아 접촉 상황을 다양하게 학습하도록 했다.
출처
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