RespostasPublicado13 fontes
Robô usa visão e tato para encaixar peças com folga mínima
Na folga de 0,05 mm, o sistema com informações táteis atingiu 67% de sucesso, ante 52% de uma versão sem tato. O robô aprendeu a agarrar e aproximar a peça por imitação; depois, usou aprendizado por reforço para inseri la e reagir a erros de contato.
Publicado porEditado com GPT-6 LunaImagens geradas com GPT Image 2
Resposta de pesquisa
Principais conclusões
- Na folga de 0,05 mm, o sistema com informações táteis atingiu 67% de sucesso, ante 52% de uma versão sem tato.
- O robô aprendeu a agarrar e aproximar a peça por imitação; depois, usou aprendizado por reforço para inseri la e reagir a erros de contato.
- Uma leitura tátil de referência e o balanceamento de exemplos por torque ajudaram a separar as forças da pegada das geradas durante o encaixe.
Prompt de IA
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
Um pequeno erro de alinhamento pode emperrar uma peça ou fazer o robô pressioná-la com força excessiva. Para lidar com esse tipo de situação, uma equipe do Instituto de Automação da Academia Chinesa de Ciências combinou visão e tato em um sistema de duas etapas. Na menor folga testada, de 0,05 mm, o método alcançou 67% de sucesso — acima da comparação sem tato, mas ainda com falhas em cerca de um terço das tentativas. 1
9
O trabalho, intitulado From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances, foi aceito no IROS 2026, conferência internacional de robótica e sistemas inteligentes. 9
Primeiro, aproximar; depois, encaixar
Em vez de usar uma única estratégia para toda a tarefa, os pesquisadores dividiram o processo. O aprendizado por imitação com Diffusion Policy ensinou o robô a agarrar pinos colocados em posições aleatórias e levá-los até a abertura. Para o encaixe fino e a recuperação após contatos malsucedidos, o sistema recorreu ao aprendizado por reforço Soft Actor-Critic (SAC). 1
A separação é importante porque chegar à abertura e corrigir o movimento depois do contato são desafios diferentes. Quando o pino encosta nas bordas do furo, um pequeno desvio pode bloquear o avanço. Em vez de apenas repetir uma trajetória demonstrada, a etapa de reforço permite aprender como reagir a essas interações. 1
O tato ajudou a avaliar o contato
O sistema usou uma arquitetura chamada ator-crítico assimétrica. O ator, responsável por escolher as ações, se baseava principalmente na visão. Já o crítico também recebia informações táteis para avaliar as ações durante o aprendizado. Isso significa que o tato ajudava a treinar e avaliar a política em situações de contato — não que o ator dependesse diretamente do tato em cada ação executada. 1
A equipe também registrou uma leitura tátil de referência depois que o robô agarrava o pino, mas antes de ele tocar no furo. Ao comparar as leituras seguintes com essa referência, o sistema podia distinguir melhor as forças e os torques do encaixe daqueles que já existiam por causa da pegada. 1
Outra estratégia foi agrupar exemplos de treinamento por torque e sorteá-los de forma balanceada. Assim, situações relevantes de contato e falha tinham mais chance de aparecer no aprendizado, em vez de ficarem sub-representadas. 1
Testes com folgas cada vez menores
O experimento usou um braço robótico Franka Emika Panda de sete graus de liberdade, um sensor tátil de seis eixos PaXini PX-6AX GEN3 na ponta do dedo e câmeras Intel RealSense instaladas no punho e em uma posição de visão geral. Os testes envolveram furos quadrados, redondos, hexagonais, em L e triangulares, com folgas de 1 mm, 0,25 mm e 0,05 mm. 1
| Folga | Sucesso com aprendizado por imitação puro |
|---|---|
| 1 mm | 76% |
| 0,25 mm | 24% |
| 0,05 mm | 0% |
Na folga de 0,05 mm, a combinação de imitação e aprendizado por reforço, mas sem tato, alcançou 52% de sucesso. Com o crítico informado pelo tato e a amostragem balanceada, a taxa subiu para 67% — uma diferença de 15 pontos percentuais. O estudo também relata reduções de 60% na força máxima de interação e de 44% no torque máximo. 1
9
10
Um avanço, não uma solução infalível
Os resultados indicam que informações táteis podem ajudar quando a visão, sozinha, não basta para avaliar o que acontece no contato entre o pino e o furo. A proposta combina aprendizado em etapas, avaliação tátil das ações, comparação com uma leitura de referência e maior equilíbrio entre exemplos de contato no treinamento. 1
Mas 67% de sucesso também significa que o encaixe ainda falhou em aproximadamente uma de cada três tentativas na condição mais difícil. Os dados mostram uma melhora no sistema testado; não demonstram que o método funcione sem falhas em qualquer tarefa de montagem de alta precisão. 1
9
Studio Global AI
Continue sua pesquisa
Esta página inclui uma resposta baseada na fonte que você pode continuar em Studio Global.
As pessoas também perguntam
Qual é a resposta curta para "Robô usa visão e tato para encaixar peças com folga mínima"?
Na folga de 0,05 mm, o sistema com informações táteis atingiu 67% de sucesso, ante 52% de uma versão sem tato.
Quais são os pontos-chave para validar primeiro?
Na folga de 0,05 mm, o sistema com informações táteis atingiu 67% de sucesso, ante 52% de uma versão sem tato. O robô aprendeu a agarrar e aproximar a peça por imitação; depois, usou aprendizado por reforço para inseri la e reagir a erros de contato.
O que devo fazer a seguir na prática?
Uma leitura tátil de referência e o balanceamento de exemplos por torque ajudaram a separar as forças da pegada das geradas durante o encaixe.
Fontes
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