AnswersPublished13 sources
Beröringssensor hjälpte robot att klara precisionsmontering
Vid 0,05 mm spelrum lyckades roboten i 67 procent av försöken, jämfört med 52 procent för inlärning utan beröringsinformation. Systemet använde imitation learning för att greppa och nå fram till hålet, och förstärkningsinlärning för själva införandet och återhämtning efter kontaktproblem.
Publicerad avRedigerad med GPT-6 LunaBilder genererade med GPT Image 2
Research answer
Key takeaways
- Vid 0,05 mm spelrum lyckades roboten i 67 procent av försöken, jämfört med 52 procent för inlärning utan beröringsinformation.
- Systemet använde imitation learning för att greppa och nå fram till hålet, och förstärkningsinlärning för själva införandet och återhämtning efter kontaktproblem.
- En beröringsbaslinje och balanserad träning utifrån vridmoment hjälpte systemet att skilja införandets kontaktkrafter från belastningen som greppet redan skapade.
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
När en robot ska föra in en del i ett hål med mycket litet spelrum kan ett litet positioneringsfel räcka för att den ska fastna eller trycka för hårt. I studien From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances kombinerade forskare från Kinesiska vetenskapsakademiens automationsinstitut synbaserad rörelse med beröringsinformation för den mer krävande införingen. Vid det minsta testade spelrummet, 0,05 mm, lyckades systemet i 67 procent av försöken. Det var bättre än jämförelsesystemet utan beröringsinformation, men långt ifrån felfritt. 1
9
Först fram till hålet, sedan in i det
Forskarna delade upp uppgiften i två steg i stället för att låta en enda inlärd strategi sköta allt. Först användes imitation learning med Diffusion Policy för att greppa pinnar som låg slumpmässigt placerade och föra dem fram till hålet. Därefter tog förstärkningsinlärning med Soft Actor-Critic över för finjustering, införing och försök att återhämta sig när kontakten inte blev som tänkt. 1
Uppdelningen speglar att det är olika saker att nå fram till en öppning och att korrigera rörelsen när delen väl tar emot. Vid kontakt kan små fel i vinkeln eller positionen förändra krafterna och få delen att kila fast. En inlärd strategi för återhämtning kan då anpassa rörelsen efter situationen, i stället för att bara upprepa samma demonstrerade bana. 1
Beröring användes för att bedöma kontakten
Systemet hade en asymmetrisk actor–critic-arkitektur. Den så kallade aktören, som väljer robotens handlingar, byggde främst på syninformation. Kritikern använde också beröringsinformation för att bedöma handlingarna under inlärningen. Det betyder att beröringssignaler hjälpte systemet att lära sig av kontaktsituationer – inte nödvändigtvis att den färdiga aktören använde beröring direkt för varje rörelse. 1
Forskarna tog också hänsyn till att greppet redan belastar beröringssensorn. De registrerade därför en baslinje efter att roboten greppat pinnen, men innan den vidrörde hålet. Senare mätningar kunde jämföras med den baslinjen för att skilja krafter och vridmoment från införingen från belastningen som greppet gav upphov till. 1
Under träningen grupperades exempel efter vridmoment och urvalet balanserades mellan grupperna. På så sätt fick inlärningen fler tillfällen att ta hänsyn till viktiga kontakt- och felsituationer som annars riskerade att förekomma mer sällan i träningsmaterialet. 1
Framgången minskade när spelrummet krympte
I försöken användes en sjuaxlig robotarm av modellen Franka Emika Panda, en sexaxlig PaXini PX-6AX GEN3-beröringssensor vid fingertoppen samt Intel RealSense-kameror vid handleden och för en vy över hela arbetsområdet. Robotarmen testades med fyrkantiga, runda, sexkantiga, L-formade och triangelformade hål. Spelrummen var 1 mm, 0,25 mm och 0,05 mm. 1
| Spelrum | Framgång med enbart imitation learning |
|---|---|
| 1 mm | 76 % |
| 0,25 mm | 24 % |
| 0,05 mm | 0 % |
Vid 0,05 mm höjde förstärkningsinlärning utan beröringsinformation framgången till 52 procent. Med en beröringsinformerad kritiker och balanserat urval av träningsdata nådde systemet 67 procent – en ökning med 15 procentenheter. Studien rapporterade också 60 procent lägre toppkraft vid interaktion och 44 procent lägre maximalt vridmoment. 1
9
10
Bättre resultat – men ingen garanti
Resultaten tyder på att beröring kan förbättra inlärd precisionsmontering när synen inte räcker för att avgöra exakt vad som händer vid kontakt. Metoden handlar inte bara om att mata in en extra sensor: den kombinerar stegvis inlärning, beröringsinformation i bedömningen av handlingar, avdrag för baslinjen och balanserat urval av kontaktdata. 1
Samtidigt innebär 67 procents framgång att roboten misslyckades i ungefär en tredjedel av försöken vid det snävaste spelrummet. Resultaten visar en förbättring i den testade uppställningen – inte att robotar nu kan utföra alla precisionsmonteringar tillförlitligt. 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 "Beröringssensor hjälpte robot att klara precisionsmontering"?
Vid 0,05 mm spelrum lyckades roboten i 67 procent av försöken, jämfört med 52 procent för inlärning utan beröringsinformation.
What are the key points to validate first?
Vid 0,05 mm spelrum lyckades roboten i 67 procent av försöken, jämfört med 52 procent för inlärning utan beröringsinformation. Systemet använde imitation learning för att greppa och nå fram till hålet, och förstärkningsinlärning för själva införandet och återhämtning efter kontaktproblem.
What should I do next in practice?
En beröringsbaslinje och balanserad träning utifrån vridmoment hjälpte systemet att skilja införandets kontaktkrafter från belastningen som greppet redan skapade.
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