AnswersPublished13 sources
Dotyk pomógł robotowi precyzyjniej wsuwać części
Przy luzie 0,05 mm system wykorzystujący dotyk osiągnął 67% udanych prób, wobec 52% dla uczenia ze wzmocnieniem bez dotyku. Uczenie na podstawie demonstracji służyło do chwytania i zbliżania części do otworu, a uczenie ze wzmocnieniem — do precyzyjnego wsuwania i reagowania na błędy kontaktu.
Opublikowane przezEdytowane za pomocą GPT-6 LunaObrazy wygenerowane za pomocą GPT Image 2
Research answer
Key takeaways
- Przy luzie 0,05 mm system wykorzystujący dotyk osiągnął 67% udanych prób, wobec 52% dla uczenia ze wzmocnieniem bez dotyku.
- Uczenie na podstawie demonstracji służyło do chwytania i zbliżania części do otworu, a uczenie ze wzmocnieniem — do precyzyjnego wsuwania i reagowania na błędy kontaktu.
- Punkt odniesienia z czujnika dotykowego oraz grupowanie próbek według momentu obrotowego pomogły odróżnić siły chwytu od sił pojawiających się podczas wsuwania.
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
Niewielki błąd ustawienia może wystarczyć, by ciasno pasujący element zaklinował się w otworze albo został dociśnięty z nadmierną siłą. W pracy From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances zespół z Instytutu Automatyki Chińskiej Akademii Nauk połączył sterowanie oparte na obrazie z uczeniem ze wzmocnieniem wykorzystującym informacje dotykowe. Przy najmniejszym testowanym luzie — 0,05 mm — robot poprawnie wykonał 67% prób. To lepszy wynik niż w porównywanym wariancie bez dotyku, ale nadal daleki od pełnej niezawodności. 1
9
Najpierw dojście, potem precyzyjne wsuwanie
Zamiast uczyć jednego algorytmu całego zadania, badacze podzielili je na dwa etapy. Uczenie na podstawie demonstracji, z wykorzystaniem metody Diffusion Policy, odpowiadało za chwytanie losowo rozmieszczonych trzpieni i przenoszenie ich w pobliże otworu. Końcowe, precyzyjne wsuwanie oraz odzyskiwanie kontroli po nieudanym kontakcie powierzono algorytmowi Soft Actor-Critic, czyli metodzie uczenia ze wzmocnieniem. 1
Podział odpowiada różnicy między ustawieniem elementu przy otworze a korygowaniem ruchu po zetknięciu z jego krawędzią. Wtedy nawet małe odchylenie może zmienić siły działające na część i zablokować postęp. Polityka uczona ze wzmocnieniem może nauczyć się reagować na taki kontakt, zamiast po prostu powtarzać zademonstrowany ruch. 1
Dotyk oceniał kontakt podczas uczenia
W systemie zastosowano asymetryczną architekturę aktor–krytyk. Aktor, który wybiera działania robota, opierał się głównie na obrazie. Krytyk, oceniający te działania podczas uczenia, korzystał również z danych dotykowych. Nie oznacza to więc, że wdrożony aktor bezpośrednio wykorzystywał dotyk przy każdym ruchu: czujnik pomagał przede wszystkim lepiej oceniać sytuacje, w których robot pozostawał w kontakcie z elementem. 1
Zespół uwzględnił też obciążenie czujnika wynikające z samego chwytu. Po złapaniu trzpienia, ale przed zetknięciem go z otworem, rejestrowano odczyt bazowy. Późniejsze pomiary porównywano z tym punktem odniesienia, by oddzielić siły i momenty pojawiające się podczas wsuwania od obciążenia wywołanego chwytem. 1
Próbki treningowe grupowano według momentu obrotowego, a następnie dobierano je w zrównoważony sposób. Dzięki temu algorytm częściej uczył się na ważnych przykładach kontaktu i niepowodzeń, które przy zwykłym losowaniu mogłyby pojawiać się rzadziej. 1
Wyniki przy coraz mniejszym luzie
W eksperymencie wykorzystano siedmioosiowe ramię Franka Emika Panda, umieszczony na końcówce palca sześciosiowy czujnik dotykowy PaXini PX-6AX GEN3 oraz kamery Intel RealSense — jedną zamontowaną przy nadgarstku, drugą zapewniającą szerszy widok. Testy obejmowały otwory kwadratowe, okrągłe, sześciokątne, w kształcie litery L i trójkątne. Sprawdzano luzy 1 mm, 0,25 mm i 0,05 mm. 1
| Luz | Skuteczność samego uczenia na demonstracjach |
|---|---|
| 1 mm | 76% |
| 0,25 mm | 24% |
| 0,05 mm | 0% |
Przy luzie 0,05 mm dodanie uczenia ze wzmocnieniem, ale bez dotyku, podniosło skuteczność do 52%. Wariant z krytykiem wykorzystującym dotyk i zrównoważonym doborem próbek osiągnął 67% — o 15 punktów procentowych więcej. W pracy odnotowano też spadek maksymalnej siły kontaktu o 60% i maksymalnego momentu obrotowego o 44%. 1
9
10
Lepszy wynik, ale nie gwarancja powodzenia
Rezultaty sugerują, że informacja dotykowa może poprawić skuteczność i łagodzić kontakt podczas wsuwania części, gdy sam obraz nie wystarcza do oceny, co dzieje się na styku elementu z otworem. Wkład pracy nie sprowadza się do dodania odczytów z czujnika do wejścia polityki wzrokowej: obejmuje też podział zadania na etapy, krytyka korzystającego z dotyku, odejmowanie odczytu bazowego i zrównoważone próbkowanie doświadczeń kontaktowych. 1
Wynik 67% oznacza jednak, że przy najtrudniejszym luzie nie powiodła się mniej więcej jedna na trzy próby. Badanie pokazuje poprawę w testowanej konfiguracji, a nie gwarantuje skutecznego wsuwania w każdym zadaniu wymagającym takiej precyzji. 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 "Dotyk pomógł robotowi precyzyjniej wsuwać części"?
Przy luzie 0,05 mm system wykorzystujący dotyk osiągnął 67% udanych prób, wobec 52% dla uczenia ze wzmocnieniem bez dotyku.
What are the key points to validate first?
Przy luzie 0,05 mm system wykorzystujący dotyk osiągnął 67% udanych prób, wobec 52% dla uczenia ze wzmocnieniem bez dotyku. Uczenie na podstawie demonstracji służyło do chwytania i zbliżania części do otworu, a uczenie ze wzmocnieniem — do precyzyjnego wsuwania i reagowania na błędy kontaktu.
What should I do next in practice?
Punkt odniesienia z czujnika dotykowego oraz grupowanie próbek według momentu obrotowego pomogły odróżnić siły chwytu od sił pojawiających się podczas wsuwania.
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