AnswersPublished13 sources
Robot lærte å sette inn deler med hjelp av berøringssans
Ved 0,05 mm klaring lyktes den berøringsforsterkede metoden i 67 prosent av forsøkene, mot 52 prosent for læring uten berøringsinformasjon. Robotarmen brukte først imitasjonslæring til å gripe og føre en del mot åpningen, og deretter forsterkningslæring til selve innsettingen og korrigering av kontaktfeil.
Publisert avRedigert med GPT-6 LunaBilder generert med GPT Image 2
Research answer
Key takeaways
- Ved 0,05 mm klaring lyktes den berøringsforsterkede metoden i 67 prosent av forsøkene, mot 52 prosent for læring uten berøringsinformasjon.
- Robotarmen brukte først imitasjonslæring til å gripe og føre en del mot åpningen, og deretter forsterkningslæring til selve innsettingen og korrigering av kontaktfeil.
- Forskerne brukte en berøringsmåling før innsetting som nullpunkt, og balanserte treningsdata etter dreiemoment for å lære av krevende kontaktsituasjoner.
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
En liten posisjonsfeil kan få en del til å kile seg fast når den skal inn i en trang åpning – eller føre til at roboten presser for hardt. I studien From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances kombinerte forskere ved Institutt for automatisering ved Det kinesiske vitenskapsakademiet synsstyrt bevegelse med berøringsinformasjon i læringen. Ved den trangeste testede klaringen, 0,05 mm, lyktes roboten i 67 prosent av forsøkene. Det var bedre enn sammenligningen uten berøringssans, men langt fra feilfritt. 1
9
Delte oppgaven i to
Forskerne lot ikke én og samme læringsmetode styre hele prosessen. Først brukte de imitasjonslæring med Diffusion Policy til å gripe pinner som lå tilfeldig plassert, og føre dem mot åpningen. Deretter tok forsterkningslæring med Soft Actor-Critic over for finjustering, innsetting og forsøk på å rette opp når kontakten ikke gikk som planlagt. 1
Det skillet er viktig: Å føre delen fram til åpningen er en annen utfordring enn å korrigere den etter at den har kommet i kontakt med kanten. Små skjevheter kan endre kontaktkreftene og hindre videre bevegelse. En innlært strategi for å hente seg inn kan reagere på dette, i stedet for bare å gjenta bevegelsen fra en demonstrasjon. 1
Berøringssansen hjalp læringen med å vurdere kontakt
Metoden brukte en asymmetrisk aktør–kritiker-modell. Aktøren, som velger robotens handlinger, baserte seg hovedsakelig på syn. Kritikeren fikk også berøringsinformasjon og brukte den til å vurdere handlingene under læringen. Berøringssansen bidro altså til at systemet kunne lære av situasjoner med fysisk kontakt; det betyr ikke nødvendigvis at den ferdige aktøren brukte berøringsdata direkte for hver handling. 1
Forskerne tok også høyde for kreftene som allerede oppstår når roboten holder delen. De registrerte et berøringsmessig nullpunkt etter at delen var grepet, men før den traff åpningen. Senere målinger kunne sammenlignes med dette nullpunktet, slik at krefter og dreiemoment fra innsettingen ble skilt fra belastningen fra selve grepet. 1
I treningen grupperte de eksempler etter dreiemoment og trakk prøver jevnt fra gruppene. Dermed fikk læringen flere viktige eksempler på kontakt og feil som ellers kunne ha blitt underrepresentert. 1
Suksessen falt med klaringen
Oppsettet besto av en sjuakset Franka Emika Panda-robotarm, en seksakset PaXini PX-6AX GEN3-berøringssensor ytterst på fingeren og Intel RealSense-kameraer montert på håndleddet og med et globalt oversiktsbilde. Forskerne testet fem åpningstyper: firkantet, rund, sekskantet, L-formet og trekantet. Klaringen varierte mellom 1 mm, 0,25 mm og 0,05 mm. 1
| Klaring | Suksess med ren imitasjonslæring |
|---|---|
| 1 mm | 76 % |
| 0,25 mm | 24 % |
| 0,05 mm | 0 % |
Ved 0,05 mm økte suksessraten til 52 prosent da forsterkningslæring ble lagt til uten berøringsinformasjon. Med en berøringsinformert kritiker og gruppert utvalg av treningsdata kom den opp i 67 prosent – en økning på 15 prosentpoeng. Studien rapporterte også 60 prosent lavere maksimal kontaktkraft og 44 prosent lavere maksimalt dreiemoment. 1
9
10
Bedre, men ikke feilfritt
Resultatene tyder på at berøringsinformasjon kan gjøre innlært innsetting mer effektiv og skånsom når syn alene ikke gir nok informasjon om kontakten. Bidraget handler ikke bare om å legge berøringsdata inn i en synsbasert styringsmodell. Forskerne kombinerte trinnvis læring, en kritiker som brukte berøringsinformasjon, nullstilling av berøringsmålinger og balansert utvalg av kontakteksempler. 1
Samtidig betyr 67 prosent suksess at omtrent ett av tre forsøk mislyktes ved den mest krevende klaringen. Studien viser forbedret ytelse i det testede oppsettet – ikke at roboten kan sette inn alle deler med svært liten klaring uten feil. 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 lærte å sette inn deler med hjelp av berøringssans"?
Ved 0,05 mm klaring lyktes den berøringsforsterkede metoden i 67 prosent av forsøkene, mot 52 prosent for læring uten berøringsinformasjon.
What are the key points to validate first?
Ved 0,05 mm klaring lyktes den berøringsforsterkede metoden i 67 prosent av forsøkene, mot 52 prosent for læring uten berøringsinformasjon. Robotarmen brukte først imitasjonslæring til å gripe og føre en del mot åpningen, og deretter forsterkningslæring til selve innsettingen og korrigering av kontaktfeil.
What should I do next in practice?
Forskerne brukte en berøringsmåling før innsetting som nullpunkt, og balanserte treningsdata etter dreiemoment for å lære av krevende kontaktsituasjoner.
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