論文の概要: Imitation and Supervised Learning of Compliance for Robotic Assembly

• arxiv url: http://arxiv.org/abs/2111.10488v1
• Date: Sat, 20 Nov 2021 01:03:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-11-26 05:40:13.571520
• Title: Imitation and Supervised Learning of Compliance for Robotic Assembly
• Title（参考訳）: ロボット組立におけるコンプライアンスの模倣と指導的学習
• Authors: Devesh K. Jha, Diego Romeres, William Yerazunis and Daniel Nikovski
• Abstract要約: 本稿では,産業ロボットのための学習型コンプライアンスコントローラの設計について述べる。 専門教師による実演を通じて、名目的軌道が提供される。 提案手法は,様々な接触構成を補正できることを示す。
• 参考スコア（独自算出の注目度）: 14.137408612103462
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present the design of a learning-based compliance controller for assembly operations for industrial robots. We propose a solution within the general setting of learning from demonstration (LfD), where a nominal trajectory is provided through demonstration by an expert teacher. This can be used to learn a suitable representation of the skill that can be generalized to novel positions of one of the parts involved in the assembly, for example the hole in a peg-in-hole (PiH) insertion task. Under the expectation that this novel position might not be entirely accurately estimated by a vision or other sensing system, the robot will need to further modify the generated trajectory in response to force readings measured by means of a force-torque (F/T) sensor mounted at the wrist of the robot or another suitable location. Under the assumption of constant velocity of traversing the reference trajectory during assembly, we propose a novel accommodation force controller that allows the robot to safely explore different contact configurations. The data collected using this controller is used to train a Gaussian process model to predict the misalignment in the position of the peg with respect to the target hole. We show that the proposed learning-based approach can correct various contact configurations caused by misalignment between the assembled parts in a PiH task, achieving high success rate during insertion. We show results using an industrial manipulator arm, and demonstrate that the proposed method can perform adaptive insertion using force feedback from the trained machine learning models.
• Abstract（参考訳）: 本稿では,産業用ロボットの組立操作のための学習型コンプライアンスコントローラの設計について述べる。 本稿では,教師による実演を通じて名目上の軌跡を提示する「学習から学習」(lfd)の一般設定における解法を提案する。 これは、例えばペグ・イン・ホール(PiH)挿入タスクの穴のような、組み立てに関わる部分の1つの新しい位置に一般化できるスキルの適切な表現を学ぶのに使用できる。 この新たな位置が視覚や他のセンサーシステムによって完全に正確に推定されないことを期待すると、ロボットは、ロボットの手首に装着された力トルク(F/T)センサーまたは他の適切な位置によって測定された力の読み取りに応じて、生成された軌跡を更に修正する必要がある。 組立中の基準軌道を走行する一定の速度を仮定し,ロボットが異なる接触形態を安全に探索できる新しい収容力制御器を提案する。 この制御器を用いて収集したデータはガウス過程モデルを訓練し、ターゲットホールに対するペグの位置のずれを予測する。 提案手法は,PiHタスクにおける組立部品間の不整合に起因する様々な接触構成を補正し,挿入時に高い成功率が得られることを示す。 本手法は,産業用マニピュレータアームを用いて,訓練された機械学習モデルからの力フィードバックを用いて適応的な挿入を行うことができることを示す。

関連論文リスト

• Trajectory Adaptation using Large Language Models [0.8704964543257245]
  新しい状況に応じた人間の指示に基づくロボット軌道の適応は、より直感的でスケーラブルな人間とロボットの相互作用を実現するために不可欠である。 本研究は,市販の移動プランナが生成する汎用ロボット軌道に適応する柔軟な言語ベースのフレームワークを提案する。 我々は、事前学習されたLLMを用いて、高密度ロボット操作のポリシーとしてコードを生成することにより、軌道方向の経路を適応させる。
  論文  参考訳（メタデータ） (2025-04-17T08:48:23Z)
• Setup-Invariant Augmented Reality for Teaching by Demonstration with Surgical Robots [49.26692555627371]
  本稿では,dV-STEARというオープンソースのシステムについて紹介する。 dV-STEARは腹腔鏡下手術の基本課題の初級成績を有意に改善した。 両課題とも,dV-STEARを用いた被験者では,手指使用のバランスが有意に改善し,フラストレーションの低下が報告された。
  論文  参考訳（メタデータ） (2025-04-09T08:34:25Z)
• Robot Trajectron: Trajectory Prediction-based Shared Control for Robot Manipulation [2.273531916003657]
  emphRobot Trajectron (RT) と呼ばれる新しい意図推定器を開発した。 RTは、その最近の位置、速度、加速度履歴に基づいて、ロボットの予測軌道の確率的表現を生成する。 我々は、RTの予測能力と潜在的到達目標の位置の表現を組み合わせた、新しい共有制御ソリューションを導出する。
  論文  参考訳（メタデータ） (2024-02-04T14:18:20Z)
• DriveAdapter: Breaking the Coupling Barrier of Perception and Planning in End-to-End Autonomous Driving [64.57963116462757]
  最先端の手法は通常、教師-学生のパラダイムに従う。 学生モデルは、生のセンサーデータのみにアクセスし、教師モデルによって収集されたデータに基づいて行動クローニングを行う。 本稿では,学生(知覚)と教師(計画)モジュール間の機能アライメント目的関数を持つアダプタを用いたDriveAdapterを提案する。
  論文  参考訳（メタデータ） (2023-08-01T09:21:53Z)
• Visual Affordance Prediction for Guiding Robot Exploration [56.17795036091848]
  我々は,ロボット探索を導くための視覚能力の学習手法を開発した。 VQ-VAEの潜伏埋め込み空間における条件分布の学習にはTransformerベースのモデルを用いる。 本稿では,ロボット操作における視覚的目標条件付きポリシー学習において,目標サンプリング分布として機能することで探索を導くために,トレーニングされた余裕モデルをどのように利用できるかを示す。
  論文  参考訳（メタデータ） (2023-05-28T17:53:09Z)
• Active Predicting Coding: Brain-Inspired Reinforcement Learning for Sparse Reward Robotic Control Problems [79.07468367923619]
  ニューラルジェネレーティブ・コーディング(NGC)の神経認知計算フレームワークによるロボット制御へのバックプロパゲーションフリーアプローチを提案する。 我々は、スパース報酬から動的オンライン学習を容易にする強力な予測符号化/処理回路から完全に構築されたエージェントを設計する。 提案するActPCエージェントは,スパース(外部)報酬信号に対して良好に動作し,複数の強力なバックプロップベースのRLアプローチと競合し,性能が優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-19T16:49:32Z)
• Vision-driven Compliant Manipulation for Reliable, High-Precision Assembly Tasks [26.445959214209505]
  本稿では,最先端の物体追跡と受動適応型機械ハードウェアを組み合わせることで,高精度な操作作業を実現することを実証する。 提案手法は,作業空間内の物体の相対的な6次元ポーズを追跡することにより,視覚を通してループを閉じる。
  論文  参考訳（メタデータ） (2021-06-26T17:54:16Z)
• Domain Adaptive Robotic Gesture Recognition with Unsupervised Kinematic-Visual Data Alignment [60.31418655784291]
  本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。 ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。 その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
  論文  参考訳（メタデータ） (2021-03-06T09:10:03Z)
• Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
  この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。 コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。 その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
  論文  参考訳（メタデータ） (2021-01-26T16:01:02Z)
• Variable Compliance Control for Robotic Peg-in-Hole Assembly: A Deep Reinforcement Learning Approach [4.045850174820418]
  ホールの位置不確実性を考慮したペグ・イン・ホール問題の解法を提案する。 位置制御ロボットのための学習フレームワークを,コンタクトリッチ挿入タスクにおいて広範囲に評価した。
  論文  参考訳（メタデータ） (2020-08-24T06:53:19Z)
• Understanding Multi-Modal Perception Using Behavioral Cloning for Peg-In-a-Hole Insertion Tasks [21.275342989110978]
  本稿では,実世界の組立作業における制御器を学習するために,複数のセンサモードが組み合わさった場合の利点について検討する。 動作クローン法の性能を向上させるために, マルチステップ・アヘッド・ロス関数を提案する。
  論文  参考訳（メタデータ） (2020-07-22T19:46:51Z)
• Learning Compliance Adaptation in Contact-Rich Manipulation [81.40695846555955]
  本稿では,コンタクトリッチタスクに必要な力プロファイルの予測モデルを学習するための新しいアプローチを提案する。 このアプローチは、双方向Gated Recurrent Units (Bi-GRU) に基づく異常検出と適応力/インピーダンス制御を組み合わせたものである。
  論文  参考訳（メタデータ） (2020-05-01T05:23:34Z)
• Learning a generative model for robot control using visual feedback [7.171234436165255]
  本稿では,ロボット制御に視覚フィードバックを取り入れた新しい定式化を提案する。 モデルにおける推論により,特徴のターゲット位置に対応するロボット状態を推測することができる。 本研究では,不正確な制御を行うロボットに対して,握りとタイトな挿入を実行することで,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2020-03-10T00:34:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。