AnswersPublished13 sources
Robotlar çok dar toleranslarda dokunma duyusundan nasıl yararlanıyor?
0,05 mm boşlukta dokunsal verilerle desteklenen sistem yüzde 67 başarıya ulaştı; dokunma verisi kullanılmayan öğrenme karşılaştırması yüzde 52’de kaldı. Robot önce taklit öğrenmesiyle parçayı kavrayıp deliğe yaklaştırdı; ardından pekiştirmeli öğrenmeyle yerleştirme ve temas hatalarından kurtulma aşamalarını yürüttü.
YayımlayanGPT-6 Luna ile düzenlendiGörseller GPT Image 2 ile oluşturuldu
Research answer
Key takeaways
- 0,05 mm boşlukta dokunsal verilerle desteklenen sistem yüzde 67 başarıya ulaştı; dokunma verisi kullanılmayan öğrenme karşılaştırması yüzde 52’de kaldı.
- Robot önce taklit öğrenmesiyle parçayı kavrayıp deliğe yaklaştırdı; ardından pekiştirmeli öğrenmeyle yerleştirme ve temas hatalarından kurtulma aşamalarını yürüttü.
- Kavrama sonrası alınan dokunsal başlangıç ölçümü ve torka göre dengelenmiş eğitim örnekleri, yerleştirme temasının kavramadan kaynaklanan yüklerden ayrılmasına yardımcı oldu.
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
Bir parçayı dar toleranslı bir deliğe yerleştirirken çok küçük bir hizalama hatası bile parçanın sıkışmasına ya da fazla kuvvet uygulanmasına yol açabilir. Çin Bilimler Akademisi Otomasyon Enstitüsü’nden araştırmacıların From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances başlıklı çalışması, yaklaşma ve yerleştirme aşamalarını farklı öğrenme yöntemleriyle ele alıp dokunma duyusunu özellikle temasın belirleyici olduğu bölümde devreye soktu. En dar test aralığı olan 0,05 mm’de yöntem yüzde 67 başarı sağladı: dokunma verisi olmadan öğrenen karşılaştırma sisteminden daha iyi, ancak kusursuz olmaktan uzak. 1
9
Yaklaşma ve yerleştirme için ayrı öğrenme aşamaları
Araştırmacılar tek bir kontrol politikasının tüm işi baştan sona yapmasını istemek yerine görevi ikiye böldü. Diffusion Policy adlı taklit öğrenmesi yöntemi, rastgele konumlara bırakılan pimleri kavrayıp deliğe doğru götürmek için kullanıldı. Temasla birlikte başlayan hassas yerleştirme ve işler planlandığı gibi gitmediğinde toparlanma ise Soft Actor-Critic (SAC) tabanlı pekiştirmeli öğrenmeye bırakıldı. 1
Bu ayrım önemli: Deliğe yaklaşmakla, parça deliğin kenarına değdikten sonra hizayı düzeltmek aynı sorun değil. Temas başladığında küçük bir konum hatası bile kuvvetlerin yönünü değiştirip ilerlemeyi engelleyebilir. Öğrenilmiş bir toparlanma politikası, gösterilen hareketi tekrar etmek yerine temasın nasıl geliştiğine göre düzeltme yapabiliyor. 1
Dokunma, her hareketi yönlendirmekten çok öğrenmeye katkı sağladı
Yöntemde asimetrik aktör-eleştirmen yapısı kullanıldı. Eylemi seçen aktör ağırlıklı olarak görsel bilgiyle çalışırken, öğrenme sırasında eylemleri değerlendiren eleştirmen dokunsal bilgiden de yararlandı. Başka bir deyişle dokunma verisi, temasın yoğun olduğu durumlarda sistemin eylemleri daha iyi değerlendirmesine yardımcı oldu. Bu, robotun uygulama sırasında her hareketi doğrudan dokunsal girdiye göre seçtiği anlamına gelmiyor. 1
Araştırmacılar kavrama sırasında zaten oluşan yükleri de hesaba kattı. Parça kavrandıktan sonra, deliğe temas etmeden önce bir dokunsal başlangıç ölçümü aldılar. Sonraki okumaları bu başlangıç değerine göre karşılaştırarak yerleştirme sırasında oluşan kuvvet ve torku kavramanın yükünden ayırmaya çalıştılar. 1
Eğitim verileri tork değerlerine göre gruplandırılıp dengeli biçimde örneklendi. Böylece sistem, sıradan örneklemede daha az temsil edilebilecek önemli temas ve başarısızlık durumlarıyla daha sık karşılaştı. 1
Boşluk daraldıkça başarı oranı düştü
Deneylerde yedi serbestlik dereceli Franka Emika Panda robot kolu, parmak ucuna yerleştirilmiş PaXini PX-6AX GEN3 altı eksenli dokunsal sensör ve bileğe takılı, ayrıca genel görüş sağlayan Intel RealSense kameralar kullanıldı. Kare, yuvarlak, altıgen, L biçimli ve üçgen delikler; 1 mm, 0,25 mm ve 0,05 mm boşluklarda test edildi. 1
| Boşluk | Yalnızca taklit öğrenmesiyle başarı |
|---|---|
| 1 mm | %76 |
| 0,25 mm | %24 |
| 0,05 mm | %0 |
En dar, 0,05 mm’lik aralıkta taklit öğrenmesine pekiştirmeli öğrenme eklendiğinde, ancak dokunma kullanılmadığında başarı yüzde 52’ye çıktı. Dokunsal bilgi alan eleştirmen ve gruplandırılmış örnekleme birlikte kullanıldığında oran yüzde 67’ye ulaştı; bu, 15 yüzde puanlık artış demek. Çalışmada tepe etkileşim kuvvetinin yüzde 60, tepe torkun ise yüzde 44 azaldığı da bildirildi. 1
9
10
Daha iyi sonuç, her denemenin başarılı olduğu anlamına gelmiyor
Bulgular, görsel bilginin temas anını açıklamakta yetersiz kaldığı hassas yerleştirme görevlerinde dokunma duyusunun öğrenmeyi destekleyebileceğine işaret ediyor. Katkı yalnızca görsel bir politikaya dokunsal sinyal eklemekten ibaret değil: aşamalı öğrenme, dokunsal bilgiyle eylem değerlendirme, başlangıç ölçümünü çıkarma ve temas örneklerini dengeli biçimde kullanma bir araya getiriliyor. 1
Yine de en zorlu aralıkta yüzde 67 başarı, denemelerin yaklaşık üçte birinin başarısız olduğu anlamına geliyor. Sonuçlar, yöntemin test edilen düzende performansı artırdığını gösteriyor; her dar toleranslı yerleştirme işinde güvenilir başarıyı kanıtlamıyor. 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 "Robotlar çok dar toleranslarda dokunma duyusundan nasıl yararlanıyor?"?
0,05 mm boşlukta dokunsal verilerle desteklenen sistem yüzde 67 başarıya ulaştı; dokunma verisi kullanılmayan öğrenme karşılaştırması yüzde 52’de kaldı.
What are the key points to validate first?
0,05 mm boşlukta dokunsal verilerle desteklenen sistem yüzde 67 başarıya ulaştı; dokunma verisi kullanılmayan öğrenme karşılaştırması yüzde 52’de kaldı. Robot önce taklit öğrenmesiyle parçayı kavrayıp deliğe yaklaştırdı; ardından pekiştirmeli öğrenmeyle yerleştirme ve temas hatalarından kurtulma aşamalarını yürüttü.
What should I do next in practice?
Kavrama sonrası alınan dokunsal başlangıç ölçümü ve torka göre dengelenmiş eğitim örnekleri, yerleştirme temasının kavramadan kaynaklanan yüklerden ayrılmasına yardımcı oldu.
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