AI-based Framework for Robust Model-Based Connector Mating in Robotic Wire Harness Installation

要約

自動車アセンブリにおける産業ロボットが広く採用されているにもかかわらず、正確で柔軟な操作が必要であるため、ワイヤーハーネスの設置は主に手動プロセスのままです。
この課題に対処するために、フォースコントロールと深い視覚操作学習を統合することにより、ケーブルコネクタの交尾を自動化する新しいAIベースのフレームワークを設計します。
当社のシステムは、視覚、触覚、および固有受容データでトレーニングされたマルチモーダルトランスアーキテクチャにおける一次最適化を使用して、検索と挿入戦略を最適化します。
さらに、機械学習の専門知識の必要性を最小限に抑える、新しい自動化されたデータ収集と最適化パイプラインを設計します。
このフレームワークは、標準的な産業コントローラーをネイティブに実行するロボットプログラムを最適化し、人間の専門家が監査および認定を許可します。
センターコンソールアセンブリタスクの実験的検証は、従来のロボットプログラミングアプローチと比較して、サイクル時間と堅牢性の大幅な改善を示しています。
ビデオはhttps://claudius-kienle.github.io/appmuttで入手できます。

要約(オリジナル)

Despite the widespread adoption of industrial robots in automotive assembly, wire harness installation remains a largely manual process, as it requires precise and flexible manipulation. To address this challenge, we design a novel AI-based framework that automates cable connector mating by integrating force control with deep visuotactile learning. Our system optimizes search-and-insertion strategies using first-order optimization over a multimodal transformer architecture trained on visual, tactile, and proprioceptive data. Additionally, we design a novel automated data collection and optimization pipeline that minimizes the need for machine learning expertise. The framework optimizes robot programs that run natively on standard industrial controllers, permitting human experts to audit and certify them. Experimental validations on a center console assembly task demonstrate significant improvements in cycle times and robustness compared to conventional robot programming approaches. Videos are available under https://claudius-kienle.github.io/AppMuTT.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google