用于终端组装的视觉触觉反政策,通过强化学习来促进
Yuchao Li1, Ziqi Jin1, Jin Liu2
1School of Ocean and Civil Engineering, Shanghai Jiao Tong University, Shanghai, China.
Frontiers in robotics and AI
|November 7, 2025
概括
本研究介绍了用于机器人终端组装的安全增强学习方法,实现了100%的成功插入. 视觉触摸政策克服了重复性工业任务中的挑战,提高了机器人的灵敏度.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
- 制造业自动化 制造业自动化
背景情况:
- 工业终端组装涉及具有严格容忍度的重复性任务,造成部件损坏和组装故障的风险.
- 由于潜在的碰撞,滑动和零件断裂,对有效的装配政策的现实学习很困难.
研究的目的:
- 为视觉触觉组装政策制定安全的强化学习 (RL) 方法.
- 为了创建一个强大的政策,以变化握握姿势的工业终端组装.
主要方法:
- 将组装任务分解为三个阶段:抓取,对齐和组装.
- 训练了一个视觉导向的模型来挑选,一个基于触觉的模型来对齐,以及一个视觉触觉的策略来插入.
- 利用人类示范和干预来安全培训.
主要成果:
- 在100个试验中实现了100%的成功插入,使用不同的初始终端效应器和抓取姿势.
- 优于模仿学习 (9%的成功率) 和在线RL (0%的成功率).
结论:
- 拟议的安全RL方法使得机器人终端组装能够强大且非常成功.
- 视觉触摸政策对于精确处理微妙的工业任务是有效的.
