以做中学掌握聚变应用中的自主装配：一项 peg-in-hole 研究
机器人学
2023-07-12 v4
摘要
机器人 peg-in-hole 装配是机器人自动化中的一个关键研究领域。强化学习（RL）与深度神经网络（DNNs）的融合在该领域取得了显著突破。然而，现有基于 RL 的方法难以在聚变应用独特的环境与任务约束下提供最优性能。为此，我们提出了一种创新设计的基于 RL 的方法。与替代方法不同，我们的重点在于增强 DNN 架构而非 RL 模型。我们的策略接收并融合来自 RGB 相机与力/力矩（F/T）传感器的数据，训练智能体以类似人手眼协调的方式执行 peg-in-hole 装配任务。所有训练与实验均在真实环境中展开，实证结果表明该多传感器融合方法在刚性 peg-in-hole 装配任务中表现出色，在不确定的不稳定条件下超越了所用机械臂 0.1 mm 的可重复精度。
引用
@article{arxiv.2208.11737,
title = {Mastering Autonomous Assembly in Fusion Application with Learning-by-doing: a Peg-in-hole Study},
author = {Ruochen Yin and Huapeng Wu and Ming Li and Yong Cheng and Yuntao Song and Heikki Handroos},
journal= {arXiv preprint arXiv:2208.11737},
year = {2023}
}