基于强化学习的工业环境中柔性电缆插入机器人
机器人学
2025-09-18 v1
摘要
柔性平面电缆(FFC)插入接头的工业操作因需对变形电缆实现亚毫米级精度而面临重大挑战。在制造过程中，常需依赖人工引导轨迹生成才能完成FFC插入。虽然强化学习(RL)可通过自动化方式规避对FFC复杂性质的建模，但电缆的非确定性变形导致训练工作耗时耗力。此外，直至真实环境中训练亦存在安全隐患，因为工业机器人运行速度快且缺乏安全措施。我们提出一种基于 foundation 模型的仿真到真实(Real-to-Sim)方法的RL算法，用于FFC插入，通过该方法可显著缩短训练时间并消除对机器人及周围环境物理损坏的风险。训练完全在仿真环境中完成，允许进行随机探索而无需担忧物理损坏。通过语义分割掩码实现仿真到真实的迁移，该掩码仅保留与插入任务相关的视觉特征，如电缆和接头的几何与空间信息。为提升方法的通用性，我们采用 Segment Anything Model 2(SAM2)作为 foundation 模型。为消除人工介入，我们引入视觉语言模型(VLM)来自动化SAM2的初始提示，从而生成分割掩码。在实验中，我们的方法展现出零样学习能力，使可直接部署到真实环境中而无需微调。
引用
@article{arxiv.2509.13731,
title = {Reinforcement Learning for Robotic Insertion of Flexible Cables in Industrial Settings},
author = {Jeongwoo Park and Seabin Lee and Changmin Park and Wonjong Lee and Changjoo Nam},
journal= {arXiv preprint arXiv:2509.13731},
year = {2025}
}