用于表面检测的轮廓传感器轨迹优化的强化学习方法
机器人学
2024-09-06 v1 人工智能
摘要
制造业中的高精度表面缺陷检测对于确保质量控制至关重要。激光三角测量轮廓传感器是这一过程的关键，能够沿一条线提供详细且精确的表面测量。为了实现完整且精确的表面扫描，传感器与工件之间需要准确的相对运动。控制传感器位姿以保持与表面的最佳距离和相对方向至关重要。在扫描过程中确保均匀的轮廓分布也很重要。本文提出了一种基于强化学习 (RL) 的新方法，用于优化轮廓传感器的机器人检测轨迹。基于 Boustrophedon 扫描方法，我们的技术动态调整传感器位置和倾斜度，以保持与表面的最佳方向和距离，同时确保一致的轮廓距离，实现均匀且高质量的扫描。利用基于零件 CAD 模型的仿真环境，我们复现了真实世界的扫描条件，包括传感器噪声和表面不规则性。这种基于仿真的方法能够实现基于 CAD 模型的离线轨迹规划。主要贡献包括专门针对使用轮廓传感器的检测应用进行的状态空间、动作空间和奖励函数建模。我们使用近端策略优化 (PPO) 算法高效训练 RL 智能体，展示了其优化轮廓传感器检测轨迹的能力。为了验证我们的方法，我们进行了多项实验，将在特定训练件上训练的模型在仿真中对各种零件进行了测试。此外，我们通过执行从 CAD 模型离线生成的优化轨迹，使用 UR3e 机械臂模型对零件进行检测，完成了一项真实世界实验。
引用
@article{arxiv.2409.03429,
title = {Reinforcement Learning Approach to Optimizing Profilometric Sensor Trajectories for Surface Inspection},
author = {Sara Roos-Hoefgeest and Mario Roos-Hoefgeest and Ignacio Alvarez and Rafael C. González},
journal= {arXiv preprint arXiv:2409.03429},
year = {2024}
}