面向安全高效工业插入的策略设计、学习与迁移的可组合框架
机器人学
2022-03-08 v1
摘要
精密工业插入任务(如 PC 板装配)对工业机器人仍具挑战。挑战包括低误差容限、部件易损性,以及待插入部件带来的大任务差异。为交付可行的机器人方案,还需考虑现有机器人系统的硬件限制并最小化集成工作量。本文提出一种可组合框架,用于在现有机器人平台上高效集成安全插入策略以完成此类插入任务。该策略具有可解释的模块化设计,可在硬件上高效学习并易于迁移至新任务。具体而言,策略包含:作为插入基线策略的安全插入智能体、作为机器人硬件接口的可配置最优笛卡尔跟踪器、处理部件差异与插入误差的概率推断模块,以及优化上述模块参数以在指定硬件上达到最佳性能的安全学习模块。在 UR10 机器人上的实验结果表明,所提框架实现了安全性(针对部件易损性)、精确性(针对低容限)、鲁棒性(针对感知误差与部件缺陷)、适应性与可迁移性(针对任务差异),以及执行中的任务效率与学习中的数据和时间效率。
引用
@article{arxiv.2203.03017,
title = {A Composable Framework for Policy Design, Learning, and Transfer Toward Safe and Efficient Industrial Insertion},
author = {Rui Chen and Chenxi Wang and Tianhao Wei and Changliu Liu},
journal= {arXiv preprint arXiv:2203.03017},
year = {2022}
}