Câu trả lờiĐã xuất bản13 nguồn
Thêm cảm giác chạm, robot cải thiện khả năng lắp chi tiết siêu khít
Ở khe hở 0,05 mm, hệ thống có bộ phê bình sử dụng thông tin xúc giác đạt tỷ lệ lắp thành công 67%, so với 52% ở phương pháp học tăng cường không dùng xúc giác. Robot dùng học bắt chước để gắp chốt và đưa đến miệng lỗ, sau đó dùng học tăng cường có thông tin xúc giác để lắp và xử lý khi tiếp xúc không như dự kiến.
Đăng bởiBiên tập bằng GPT-6 LunaHình ảnh được tạo bằng GPT Image 2
Câu trả lời nghiên cứu
Bài học chính
- Ở khe hở 0,05 mm, hệ thống có bộ phê bình sử dụng thông tin xúc giác đạt tỷ lệ lắp thành công 67%, so với 52% ở phương pháp học tăng cường không dùng xúc giác.
- Robot dùng học bắt chước để gắp chốt và đưa đến miệng lỗ, sau đó dùng học tăng cường có thông tin xúc giác để lắp và xử lý khi tiếp xúc không như dự kiến.
- Nhóm nghiên cứu trừ dữ liệu xúc giác nền sau khi gắp và cân bằng mẫu huấn luyện theo mô men xoắn; phương pháp báo cáo giảm 60% lực tương tác đỉnh và 44% mô men xoắn đỉnh.
Prompt AI
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
Khi chốt và lỗ chỉ có khe hở vài phần trăm milimét, một sai lệch nhỏ về vị trí cũng có thể khiến chi tiết bị kẹt hoặc robot tì quá mạnh. Trong nghiên cứu From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances, nhóm thuộc Viện Tự động hóa, Viện Hàn lâm Khoa học Trung Quốc kết hợp thị giác với thông tin xúc giác để robot xử lý công đoạn lắp ráp có nhiều tiếp xúc cơ học. Ở mức khe hở nhỏ nhất được thử nghiệm, 0,05 mm, hệ thống đạt tỷ lệ thành công 67%—cao hơn phương pháp đối chứng không dùng xúc giác, nhưng vẫn chưa đảm bảo thành công mọi lần. 1
9
Chia việc thành hai giai đoạn
Thay vì dùng một chính sách điều khiển cho toàn bộ thao tác, nhóm nghiên cứu tách quy trình thành hai phần. Học bắt chước bằng Diffusion Policy giúp robot gắp các chốt đặt ngẫu nhiên rồi đưa chúng đến gần lỗ. Sau đó, học tăng cường Soft Actor-Critic (SAC) đảm nhiệm việc căn chỉnh, lắp chốt và tìm cách phục hồi khi tiếp xúc không thuận lợi. 1
Cách chia này phù hợp với tính chất khác nhau của hai bước: đưa chốt đến miệng lỗ chủ yếu là thao tác tiếp cận, còn khi chốt đã chạm lỗ, sai lệch nhỏ có thể làm thay đổi lực tiếp xúc và khiến chốt mắc lại. Chính sách được học để xử lý tình huống có thể điều chỉnh theo tương tác thực tế, thay vì chỉ lặp lại đường đi đã được trình diễn. 1
Xúc giác giúp đánh giá tình huống tiếp xúc
Hệ thống sử dụng kiến trúc actor–critic bất đối xứng. Actor, tức thành phần chọn hành động, chủ yếu dựa vào thị giác; critic, thành phần đánh giá hành động trong quá trình học, còn nhận thêm dữ liệu xúc giác. Vì vậy, không nên hiểu kết quả này là robot luôn đưa tín hiệu xúc giác trực tiếp vào actor để điều khiển từng chuyển động. 1
Nhóm nghiên cứu cũng xử lý phần lực vốn đã xuất hiện khi robot kẹp chốt. Họ ghi lại mức xúc giác nền sau khi gắp nhưng trước khi chốt chạm vào lỗ, rồi so sánh các số đo tiếp theo với mức nền đó. Nhờ vậy, hệ thống có thể phân biệt lực và mô-men phát sinh khi lắp với tải lực do thao tác kẹp. 1
Trong huấn luyện, các mẫu được nhóm theo mô-men xoắn rồi lấy mẫu cân bằng giữa các nhóm. Cách này giúp hệ thống gặp nhiều hơn những tình huống tiếp xúc và thất bại quan trọng, vốn có thể ít xuất hiện nếu lấy mẫu thông thường. 1
Kết quả khi khe hở ngày càng nhỏ
Thử nghiệm sử dụng cánh tay robot Franka Emika Panda bảy bậc tự do, cảm biến xúc giác sáu trục PaXini PX-6AX GEN3 đặt ở đầu ngón tay, cùng camera Intel RealSense gắn trên cổ tay và camera góc nhìn tổng thể. Nhóm thử lắp vào các lỗ hình vuông, tròn, lục giác, chữ L và tam giác, với khe hở 1 mm, 0,25 mm và 0,05 mm. 1
| Khe hở | Tỷ lệ thành công của học bắt chước thuần túy |
|---|---|
| 1 mm | 76% |
| 0,25 mm | 24% |
| 0,05 mm | 0% |
Ở khe hở 0,05 mm, kết hợp học bắt chước với học tăng cường nhưng không dùng xúc giác đạt tỷ lệ thành công 52%. Khi critic được bổ sung dữ liệu xúc giác và huấn luyện dùng lấy mẫu cân bằng theo nhóm mô-men, tỷ lệ này tăng lên 67%—cao hơn 15 điểm phần trăm. Nghiên cứu cũng báo cáo lực tương tác đỉnh giảm 60% và mô-men xoắn đỉnh giảm 44%. 1
9
10
Tiến bộ đáng kể, nhưng chưa phải lắp ráp hoàn hảo
Kết quả cho thấy xúc giác có thể giúp robot xử lý thao tác lắp chính xác hơn và nhẹ nhàng hơn khi hình ảnh thị giác chưa đủ để đánh giá rõ tiếp xúc giữa chốt với lỗ. Điểm đáng chú ý không chỉ là bổ sung cảm biến chạm, mà là kết hợp học theo hai giai đoạn, critic có thông tin xúc giác, trừ mức xúc giác nền và tăng độ phủ của các tình huống tiếp xúc trong dữ liệu huấn luyện. 1
Dù vậy, tỷ lệ thành công 67% cũng đồng nghĩa robot vẫn thất bại trong khoảng một phần ba số lần thử ở khe hở khó nhất. Đây là cải thiện trong cấu hình thử nghiệm của nghiên cứu, không phải bằng chứng rằng robot có thể lắp mọi chi tiết siêu khít một cách đáng tin cậy. 1
9
Studio Global AI
Tiếp tục nghiên cứu của bạn
Trang này bao gồm câu trả lời dựa trên nguồn mà bạn có thể tiếp tục bên trong Studio Global.
Người ta cũng hỏi
Câu trả lời ngắn gọn cho "Thêm cảm giác chạm, robot cải thiện khả năng lắp chi tiết siêu khít" là gì?
Ở khe hở 0,05 mm, hệ thống có bộ phê bình sử dụng thông tin xúc giác đạt tỷ lệ lắp thành công 67%, so với 52% ở phương pháp học tăng cường không dùng xúc giác.
Những điểm chính cần xác nhận đầu tiên là gì?
Ở khe hở 0,05 mm, hệ thống có bộ phê bình sử dụng thông tin xúc giác đạt tỷ lệ lắp thành công 67%, so với 52% ở phương pháp học tăng cường không dùng xúc giác. Robot dùng học bắt chước để gắp chốt và đưa đến miệng lỗ, sau đó dùng học tăng cường có thông tin xúc giác để lắp và xử lý khi tiếp xúc không như dự kiến.
Tôi nên làm gì tiếp theo trong thực tế?
Nhóm nghiên cứu trừ dữ liệu xúc giác nền sau khi gắp và cân bằng mẫu huấn luyện theo mô men xoắn; phương pháp báo cáo giảm 60% lực tương tác đỉnh và 44% mô men xoắn đỉnh.
Nguồn
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