คำตอบเผยแพร่แล้ว13 แหล่งที่มา
เมื่อกล้องอย่างเดียวไม่พอ: หุ่นยนต์ใช้สัมผัสช่วยใส่ชิ้นส่วนได้แม่นขึ้น
เมื่อช่องว่างมีขนาด 0.05 มม. วิธีที่ใช้ข้อมูลสัมผัสทำงานสำเร็จ 67% เทียบกับ 52% ในวิธีเรียนรู้แบบเสริมกำลังที่ไม่ใช้สัมผัส ระบบใช้การเรียนรู้เลียนแบบเพื่อหยิบหมุดและพาไปยังรู จากนั้นใช้การเรียนรู้แบบเสริมกำลังเพื่อใส่ชิ้นส่วนและรับมือกับการสัมผัสที่ผิดพลาด ทีมวิจัยปรับค่าพื้นฐานของเซนเซอร์หลังจับชิ้นงาน และจัดกลุ่มต...
เผยแพร่โดยแก้ไขด้วย GPT-6 Lunaรูปภาพสร้างด้วย GPT Image 2
คำตอบการวิจัย
ประเด็นสำคัญ
- เมื่อช่องว่างมีขนาด 0.05 มม. วิธีที่ใช้ข้อมูลสัมผัสทำงานสำเร็จ 67% เทียบกับ 52% ในวิธีเรียนรู้แบบเสริมกำลังที่ไม่ใช้สัมผัส
- ระบบใช้การเรียนรู้เลียนแบบเพื่อหยิบหมุดและพาไปยังรู จากนั้นใช้การเรียนรู้แบบเสริมกำลังเพื่อใส่ชิ้นส่วนและรับมือกับการสัมผัสที่ผิดพลาด
- ทีมวิจัยปรับค่าพื้นฐานของเซนเซอร์หลังจับชิ้นงาน และจัดกลุ่มตัวอย่างตามแรงบิด เพื่อช่วยแยกแรงจากการใส่ออกจากแรงที่เกิดจากการจับ
AI พรอมต์
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
ความคลาดเคลื่อนของตำแหน่งเพียงเล็กน้อยอาจทำให้ชิ้นส่วนติดคารู หรือหุ่นยนต์กดชิ้นงานแรงเกินไป โดยเฉพาะเมื่อต้องใส่ชิ้นส่วนในช่องที่มีระยะเผื่อน้อยมาก งานวิจัย From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances จากทีมสถาบันอัตโนมัติ สถาบันบัณฑิตวิทยาศาสตร์จีน จึงแบ่งการควบคุมหุ่นยนต์ออกเป็นสองช่วง และนำข้อมูลสัมผัสมาใช้ช่วยเรียนรู้การใส่ชิ้นงานที่ต้องอาศัยการสัมผัสอย่างละเอียด ที่ช่องว่างแคบที่สุดซึ่งทดสอบได้ 0.05 มม. ระบบทำงานสำเร็จ 67% ดีกว่าวิธีเรียนรู้แบบเสริมกำลังที่ไม่ใช้สัมผัส แต่ยังไม่ถึงขั้นทำได้สำเร็จทุกครั้ง 1
9
แยกการเข้าหาช่องออกจากการใส่ชิ้นงาน
แทนที่จะให้ระบบควบคุมเดียวทำทุกอย่าง ทีมวิจัยใช้การเรียนรู้สองขั้น ขั้นแรกใช้การเรียนรู้เลียนแบบด้วย Diffusion Policy เพื่อหยิบหมุดที่วางไว้แบบสุ่ม แล้วพาไปยังบริเวณรู ส่วนขั้นที่สองใช้การเรียนรู้แบบเสริมกำลัง Soft Actor-Critic (SAC) เพื่อควบคุมการใส่ชิ้นงานอย่างละเอียด และเรียนรู้วิธีแก้สถานการณ์เมื่อเกิดการสัมผัสผิดพลาด 1
การแบ่งงานเช่นนี้ช่วยแยกโจทย์สองแบบออกจากกัน การพาหมุดไปอยู่ใกล้ปากรูไม่เหมือนกับการปรับตำแหน่งหลังหมุดสัมผัสกับรูแล้ว เพราะความคลาดเคลื่อนเพียงเล็กน้อยอาจทำให้แรงที่เกิดขึ้นเปลี่ยนไปและขัดขวางการใส่ ระบบที่เรียนรู้การแก้ไขจากการสัมผัสจึงมีโอกาสปรับการเคลื่อนไหว แทนที่จะทำซ้ำตามท่าทางเดิมทุกครั้ง 1
ให้สัมผัสช่วยประเมินการกระทำระหว่างเรียนรู้
ระบบใช้โครงสร้าง actor–critic แบบไม่สมมาตร โดย actor ซึ่งเป็นส่วนที่เลือกการกระทำ อาศัยข้อมูลจากภาพเป็นหลัก ส่วน critic ใช้ข้อมูลสัมผัสเพิ่มเติมเพื่อประเมินว่าการกระทำนั้นเหมาะสมเพียงใดระหว่างการเรียนรู้ กล่าวคือ ข้อมูลสัมผัสช่วยให้ระบบประเมินสถานการณ์ที่มีการสัมผัสซับซ้อนและปรับนโยบายการควบคุมได้ ไม่ได้หมายความว่า actor ใช้ข้อมูลสัมผัสโดยตรงในการเลือกทุกการกระทำขณะทำงาน 1
ทีมวิจัยยังคำนึงถึงแรงที่เกิดขึ้นตั้งแต่ตอนจับหมุดด้วย โดยบันทึกค่าพื้นฐานจากเซนเซอร์สัมผัสหลังจับชิ้นงาน แต่ก่อนที่หมุดจะแตะรู แล้วนำไปเปรียบเทียบกับค่าที่วัดได้ภายหลัง วิธีนี้ช่วยแยกแรงและแรงบิดจากการใส่ชิ้นงานออกจากแรงที่เกิดจากการจับ 1
อีกส่วนหนึ่งคือการจัดกลุ่มตัวอย่างฝึกตามค่าแรงบิด แล้วสุ่มเลือกตัวอย่างให้กระจายสมดุล วิธีนี้ช่วยให้ระบบได้เรียนรู้จากตัวอย่างการสัมผัสและความผิดพลาดที่สำคัญ ซึ่งอาจมีสัดส่วนน้อยหากสุ่มข้อมูลแบบทั่วไป 1
ช่องยิ่งแคบ ผลของการฝึกแบบเดิมยิ่งลดลง
ชุดทดลองใช้แขนกล Franka Emika Panda แบบ 7 องศาอิสระ เซนเซอร์สัมผัสหกแกน PaXini PX-6AX GEN3 ที่ปลายนิ้ว และกล้อง Intel RealSense ทั้งที่ข้อมือหุ่นยนต์และสำหรับมุมมองภาพรวม ทีมวิจัยทดสอบกับรูทรงสี่เหลี่ยม วงกลม หกเหลี่ยม ตัวแอล และสามเหลี่ยม โดยใช้ช่องว่าง 1 มม., 0.25 มม. และ 0.05 มม. 1
| ช่องว่าง | อัตราความสำเร็จของการเรียนรู้เลียนแบบล้วน |
|---|---|
| 1 มม. | 76% |
| 0.25 มม. | 24% |
| 0.05 มม. | 0% |
ที่ช่องว่าง 0.05 มม. การเพิ่มการเรียนรู้แบบเสริมกำลังโดยไม่ใช้สัมผัสทำให้อัตราความสำเร็จเพิ่มเป็น 52% ส่วนวิธีที่ใช้ critic รับข้อมูลสัมผัสร่วมกับการสุ่มตัวอย่างแบบจัดกลุ่มทำได้ 67% หรือเพิ่มขึ้น 15 จุดเปอร์เซ็นต์ นอกจากนี้ งานวิจัยรายงานว่าลดแรงปฏิสัมพันธ์สูงสุดได้ 60% และลดแรงบิดสูงสุดได้ 44% 1
9
10
ดีขึ้น แต่ยังไม่ใช่คำตอบที่รับประกันผล
ผลทดลองชี้ว่าข้อมูลสัมผัสช่วยให้หุ่นยนต์ใส่ชิ้นงานได้ดีขึ้นและใช้แรงน้อยลง เมื่อข้อมูลภาพเพียงอย่างเดียวไม่พอสำหรับประเมินการสัมผัส จุดสำคัญไม่ใช่แค่การเพิ่มสัญญาณสัมผัสเข้าไปในระบบภาพ แต่เป็นการผสานการเรียนรู้สองช่วง การใช้สัมผัสช่วยประเมินการกระทำ การหักค่าพื้นฐาน และการฝึกด้วยตัวอย่างการสัมผัสที่จัดสมดุล 1
อย่างไรก็ตาม อัตราความสำเร็จ 67% หมายความว่ายังมีการทดลองราวหนึ่งในสามที่ไม่สำเร็จ ภายใต้ช่องว่างที่ท้าทายที่สุด ผลงานนี้จึงแสดงให้เห็นถึงพัฒนาการในชุดทดลองที่รายงาน ไม่ได้ยืนยันว่าหุ่นยนต์จะใส่ชิ้นส่วนที่มีค่าความคลาดเคลื่อนต่ำได้สำเร็จทุกครั้ง 1
9
Studio Global AI
ทำการวิจัยต่อ
หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global
คนยังถาม
คำตอบสั้น ๆ สำหรับ "เมื่อกล้องอย่างเดียวไม่พอ: หุ่นยนต์ใช้สัมผัสช่วยใส่ชิ้นส่วนได้แม่นขึ้น" คืออะไร
เมื่อช่องว่างมีขนาด 0.05 มม. วิธีที่ใช้ข้อมูลสัมผัสทำงานสำเร็จ 67% เทียบกับ 52% ในวิธีเรียนรู้แบบเสริมกำลังที่ไม่ใช้สัมผัส
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?
เมื่อช่องว่างมีขนาด 0.05 มม. วิธีที่ใช้ข้อมูลสัมผัสทำงานสำเร็จ 67% เทียบกับ 52% ในวิธีเรียนรู้แบบเสริมกำลังที่ไม่ใช้สัมผัส ระบบใช้การเรียนรู้เลียนแบบเพื่อหยิบหมุดและพาไปยังรู จากนั้นใช้การเรียนรู้แบบเสริมกำลังเพื่อใส่ชิ้นส่วนและรับมือกับการสัมผัสที่ผิดพลาด
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ?
ทีมวิจัยปรับค่าพื้นฐานของเซนเซอร์หลังจับชิ้นงาน และจัดกลุ่มตัวอย่างตามแรงบิด เพื่อช่วยแยกแรงจากการใส่ออกจากแรงที่เกิดจากการจับ
แหล่งที่มา
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