要約
ロボットによる釘穴組立は、ロボットオートメーションにおける重要な研究分野である。強化学習（RL）とディープニューラルネットワーク（DNN）の融合は、この分野で目覚ましいブレークスルーをもたらしました。しかし、既存のRLベースの手法は、融合アプリケーション特有の環境やミッションの制約下で最適なパフォーマンスを提供することに苦労している。その結果、我々は独創的に設計されたRLベースのアプローチを提案する。他の方法とは対照的に、我々の焦点はRLモデルよりもDNNアーキテクチャを強化することにある。我々の戦略は、RGBカメラと力/トルク(F/T)センサーからのデータを受信し統合することで、人間の手と目の協調のような方法で、穴に釘を刺す組み立てタスクを実行するようにエージェントを訓練する。すべての訓練と実験は現実的な環境の中で展開され、経験的な結果は、このマルチセンサー融合アプローチが、不確実で不安定な条件下で、利用されたロボットアームの再現可能な精度-0.1mm-を上回り、剛性の高いペグインホール組立タスクにおいて優れていることを実証している。
要約(オリジナル)
Robotic peg-in-hole assembly represents a critical area of investigation in robotic automation. The fusion of reinforcement learning (RL) and deep neural networks (DNNs) has yielded remarkable breakthroughs in this field. However, existing RL-based methods grapple with delivering optimal performance under the unique environmental and mission constraints of fusion applications. As a result, we propose an inventively designed RL-based approach. In contrast to alternative methods, our focus centers on enhancing the DNN architecture rather than the RL model. Our strategy receives and integrates data from the RGB camera and force/torque (F/T) sensor, training the agent to execute the peg-in-hole assembly task in a manner akin to human hand-eye coordination. All training and experimentation unfold within a realistic environment, and empirical outcomes demonstrate that this multi-sensor fusion approach excels in rigid peg-in-hole assembly tasks, surpassing the repeatable accuracy of the robotic arm utilized–0.1 mm–in uncertain and unstable conditions.
arxiv情報
| 著者 | Ruochen Yin,Huapeng Wu,Ming Li,Yong Cheng,Yuntao Song,Heikki Handroos |
| 発行日 | 2023-07-03 07:55:58+00:00 |
| arxivサイト | arxiv_id(pdf) |