AnswersPublished13 sources
Robot lebih cekap memasang komponen apabila deria sentuh turut digunakan
Pada kelegaan 0.05 mm, sistem dengan pengkritik berpandukan sentuhan mencapai kejayaan 67%, berbanding 52% bagi pembelajaran pengukuhan tanpa sentuhan. Robot menggunakan pembelajaran tiruan untuk mencengkam dan menghampiri lubang, kemudian pembelajaran pengukuhan berpandukan sentuhan untuk memasukkan komponen dan me...
Diterbitkan olehDisunting dengan GPT-6 LunaImej dijana dengan GPT Image 2
Research answer
Key takeaways
- Pada kelegaan 0.05 mm, sistem dengan pengkritik berpandukan sentuhan mencapai kejayaan 67%, berbanding 52% bagi pembelajaran pengukuhan tanpa sentuhan.
- Robot menggunakan pembelajaran tiruan untuk mencengkam dan menghampiri lubang, kemudian pembelajaran pengukuhan berpandukan sentuhan untuk memasukkan komponen dan memulihkan keadaan selepas sentuhan bermasalah.
- Bacaan sentuhan asas dan persampelan latihan yang diseimbangkan mengikut tork membantu membezakan daya ketika memasukkan komponen daripada beban akibat cengkaman.
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
Kesilapan kedudukan yang kecil pun boleh menyebabkan komponen tersangkut ketika dimasukkan ke dalam lubang yang sangat sempit—atau robot menekan terlalu kuat. Dalam kajian From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances, pasukan dari Institut Automasi, Akademi Sains China menggabungkan pendekatan berpandukan penglihatan dengan pembelajaran pengukuhan yang mengambil kira maklumat sentuhan. Pada kelegaan paling kecil yang diuji, iaitu 0.05 mm, sistem itu berjaya dalam 67% percubaan. Angka ini mengatasi sistem pembanding tanpa maklumat sentuhan, tetapi masih bukan jaminan setiap pemasangan akan berjaya. 1
9
Bahagikan tugas kepada dua peringkat
Daripada meminta satu sistem mengendalikan seluruh proses, penyelidik memisahkannya kepada dua peringkat. Pembelajaran tiruan menggunakan Diffusion Policy membantu robot mencengkam pasak yang diletakkan secara rawak dan membawanya ke arah lubang. Selepas itu, pembelajaran pengukuhan Soft Actor-Critic mengendalikan pemasukan halus serta usaha memulihkan keadaan apabila sentuhan tidak berjalan seperti dirancang. 1
Pemisahan ini penting kerana menghampiri lubang dan membetulkan kedudukan selepas pasak menyentuh tepi lubang memerlukan tindakan berbeza. Sentuhan boleh mengubah daya yang bertindak pada komponen; kesilapan kecil pula boleh menyekat kemajuan. Dasar pemulihan yang dipelajari boleh bertindak balas terhadap interaksi itu, bukannya sekadar mengulang gerakan yang ditunjukkan semasa latihan. 1
Maklumat sentuhan membantu sistem menilai tindakan
Kaedah ini menggunakan reka bentuk pelakon-pengkritik yang tidak simetri. Pelakon, yang memilih tindakan robot, kebanyakannya berpandukan penglihatan. Pengkritik pula menerima maklumat sentuhan untuk menilai tindakan semasa proses pembelajaran. Jadi, sentuhan membantu sistem memahami keadaan yang melibatkan sentuhan fizikal dan memperbaik dasar tindakannya—namun ini tidak bermaksud pelakon yang digunakan ketika operasi bergantung secara langsung pada input sentuhan bagi setiap gerakan. 1
Penyelidik turut mengambil kira daya yang sudah wujud akibat robot mencengkam pasak. Mereka merekodkan bacaan sentuhan asas selepas pasak dicengkam tetapi sebelum menyentuh lubang, kemudian membandingkannya dengan bacaan seterusnya. Langkah ini membantu membezakan daya dan tork ketika pemasukan daripada beban yang berpunca daripada cengkaman. 1
Bagi latihan, sampel dikelompokkan mengikut tork dan diambil secara seimbang daripada kumpulan tersebut. Dengan cara ini, sistem mendapat lebih banyak pendedahan kepada contoh sentuhan dan kegagalan yang penting, yang mungkin kurang diwakili jika sampel dipilih tanpa pengimbangan. 1
Kejayaan diuji pada kelegaan yang semakin kecil
Persediaan eksperimen menggunakan lengan robot Franka Emika Panda tujuh darjah kebebasan, sensor sentuhan enam paksi PaXini PX-6AX GEN3 di hujung jari serta kamera Intel RealSense yang dipasang pada pergelangan tangan dan memberikan pandangan keseluruhan. Ujian melibatkan lubang berbentuk segi empat sama, bulat, heksagon, L dan segi tiga, dengan kelegaan 1 mm, 0.25 mm dan 0.05 mm. 1
| Kelegaan | Kejayaan pembelajaran tiruan sahaja |
|---|---|
| 1 mm | 76% |
| 0.25 mm | 24% |
| 0.05 mm | 0% |
Pada kelegaan 0.05 mm, gabungan pembelajaran tiruan dan pembelajaran pengukuhan tanpa sentuhan mencapai kejayaan 52%. Pendekatan pengkritik berpandukan sentuhan bersama persampelan berkumpulan pula mencapai 67%—peningkatan 15 mata peratusan. Kajian turut melaporkan pengurangan 60% pada daya interaksi puncak dan 44% pada tork puncak. 1
9
10
Hasilnya lebih baik, tetapi belum sempurna
Dapatan ini menunjukkan bahawa maklumat sentuhan boleh membantu robot memasukkan komponen dengan lebih berkesan dan lembut apabila penglihatan sahaja tidak mencukupi untuk memahami keadaan sentuhan. Sumbangan kajian bukan sekadar menambah isyarat sentuhan kepada dasar penglihatan: ia turut menggabungkan pembelajaran berperingkat, penilaian tindakan berasaskan sentuhan, penolakan bacaan asas dan persampelan pengalaman sentuhan yang diseimbangkan. 1
Namun, kadar kejayaan 67% bermakna kira-kira satu daripada tiga percubaan pada kelegaan paling mencabar itu masih gagal. Hasil kajian menunjukkan peningkatan dalam persediaan yang diuji, bukannya pemasukan yang boleh diharap berjaya dalam setiap tugas berkelegaan ketat. 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 "Robot lebih cekap memasang komponen apabila deria sentuh turut digunakan"?
Pada kelegaan 0.05 mm, sistem dengan pengkritik berpandukan sentuhan mencapai kejayaan 67%, berbanding 52% bagi pembelajaran pengukuhan tanpa sentuhan.
What are the key points to validate first?
Pada kelegaan 0.05 mm, sistem dengan pengkritik berpandukan sentuhan mencapai kejayaan 67%, berbanding 52% bagi pembelajaran pengukuhan tanpa sentuhan. Robot menggunakan pembelajaran tiruan untuk mencengkam dan menghampiri lubang, kemudian pembelajaran pengukuhan berpandukan sentuhan untuk memasukkan komponen dan memulihkan keadaan selepas sentuhan bermasalah.
What should I do next in practice?
Bacaan sentuhan asas dan persampelan latihan yang diseimbangkan mengikut tork membantu membezakan daya ketika memasukkan komponen daripada beban akibat cengkaman.
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