Efficient and Feasible Robotic Assembly Sequence Planning via Graph Representation Learning

要約

自動ロボット アセンブリ シーケンス プランニング (RASP) は、製品のカスタマイズに対するニーズの高まりとともに、現代の製造業における生産性と回復力を大幅に向上させることができます。
このような自動化を実現する上での主な課題の 1 つは、ますます複雑になるアセンブリの潜在的なシーケンスの増加から効率的に解決策を見つけることにあります。
さらに、ロボットシステムには、コストのかかる実現可能性チェックが常に必要です。
これに対処するために、製品アセンブリ用のアセンブリ グラフと呼ばれるグラフ表現と、アセンブリ シーケンス生成用の GRACE と呼ばれるポリシー アーキテクチャ、グラフ アセンブリ処理ネットワークを含む全体的なグラフィカル アプローチを提案します。
次に、GRACE を使用して、グラフ入力から意味のある情報を抽出し、アセンブリ シーケンスを段階的に予測します。
実験では、デュアル アーム ロボット システムのシミュレーションで収集されたデータに基づいて、アルミニウム プロファイルの製品バリアント全体で実行可能なアセンブリ シーケンスを予測できることを示します。
さらに、私たちの方法が実行不可能なアセンブリを検出できることを示し、誤った予測による望ましくない影響を大幅に軽減し、実際の展開をすぐに促進します。
コードとトレーニング データはオープンソース化されます。

要約(オリジナル)

Automatic Robotic Assembly Sequence Planning (RASP) can significantly improve productivity and resilience in modern manufacturing along with the growing need for greater product customization. One of the main challenges in realizing such automation resides in efficiently finding solutions from a growing number of potential sequences for increasingly complex assemblies. Besides, costly feasibility checks are always required for the robotic system. To address this, we propose a holistic graphical approach including a graph representation called Assembly Graph for product assemblies and a policy architecture, Graph Assembly Processing Network, dubbed GRACE for assembly sequence generation. Secondly, we use GRACE to extract meaningful information from the graph input and predict assembly sequences in a step-by-step manner. In experiments, we show that our approach can predict feasible assembly sequences across product variants of aluminum profiles based on data collected in simulation of a dual-armed robotic system. We further demonstrate that our method is capable of detecting infeasible assemblies, substantially alleviating the undesirable impacts from false predictions, and hence facilitating real-world deployment soon. Code and training data will be open-sourced.

arxiv情報

著者 Matan Atad,Jianxiang Feng,Ismael Rodríguez,Maximilian Durner,Rudolph Triebel
発行日 2023-03-21 16:58:19+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, cs.RO パーマリンク