論文の概要: Reinforcement Learning Approach to Optimizing Profilometric Sensor Trajectories for Surface Inspection
- arxiv url: http://arxiv.org/abs/2409.03429v1
- Date: Thu, 5 Sep 2024 11:20:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-06 21:00:20.720898
- Title: Reinforcement Learning Approach to Optimizing Profilometric Sensor Trajectories for Surface Inspection
- Title（参考訳）: 表面検査のための幾何センサ軌道の最適化のための強化学習アプローチ
- Authors: Sara Roos-Hoefgeest, Mario Roos-Hoefgeest, Ignacio Alvarez, Rafael C. González,
- Abstract要約: 製造における高精度表面欠陥検出は品質管理の確保に不可欠である。
レーザー三角プロファイリングセンサーがこのプロセスの鍵となる。
本稿では,プロファイロメータセンサの検査軌道を最適化するための新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-precision surface defect detection in manufacturing is essential for ensuring quality control. Laser triangulation profilometric sensors are key to this process, providing detailed and accurate surface measurements over a line. To achieve a complete and precise surface scan, accurate relative motion between the sensor and the workpiece is required. It is crucial to control the sensor pose to maintain optimal distance and relative orientation to the surface. It is also important to ensure uniform profile distribution throughout the scanning process. This paper presents a novel Reinforcement Learning (RL) based approach to optimize robot inspection trajectories for profilometric sensors. Building upon the Boustrophedon scanning method, our technique dynamically adjusts the sensor position and tilt to maintain optimal orientation and distance from the surface, while also ensuring a consistent profile distance for uniform and high-quality scanning. Utilizing a simulated environment based on the CAD model of the part, we replicate real-world scanning conditions, including sensor noise and surface irregularities. This simulation-based approach enables offline trajectory planning based on CAD models. Key contributions include the modeling of the state space, action space, and reward function, specifically designed for inspection applications using profilometric sensors. We use Proximal Policy Optimization (PPO) algorithm to efficiently train the RL agent, demonstrating its capability to optimize inspection trajectories with profilometric sensors. To validate our approach, we conducted several experiments where a model trained on a specific training piece was tested on various parts in simulation. Also, we conducted a real-world experiment by executing the optimized trajectory, generated offline from a CAD model, to inspect a part using a UR3e robotic arm model.
- Abstract（参考訳）: 製造における高精度表面欠陥検出は品質管理の確保に不可欠である。
レーザー三角プロファイロメータセンサーは、このプロセスの鍵であり、一直線にわたって精密かつ正確な表面測定を提供する。
完全かつ正確な表面スキャンを実現するには、センサとワークの正確な相対運動が必要である。
センサの姿勢を制御し、表面への最適な距離と相対的な向きを維持することが重要である。
また、スキャンプロセス全体を通して均一なプロファイル分布を確保することも重要である。
本稿では,ロボット検査トラジェクトリをプロファイロメトリックセンサに最適化するための,新しい強化学習(RL)アプローチを提案する。
Boustrophedonスキャニング法を用いてセンサ位置と傾きを動的に調整し、表面から最適方向と距離を維持するとともに、均一かつ高品質な走査のための一貫したプロファイル距離を確保する。
この部分のCADモデルに基づくシミュレーション環境を利用して,センサノイズや表面の不規則といった実世界の走査条件を再現する。
このシミュレーションに基づくアプローチはCADモデルに基づくオフライン軌道計画を可能にする。
主な貢献は、状態空間、アクション空間、報酬関数のモデリングであり、特にプロファイロメトリックセンサーを用いた検査アプリケーションのために設計された。
我々はPPOアルゴリズムを用いてRLエージェントを効率的に訓練し、プロフィロメトリセンサーを用いた検査軌道の最適化機能を示す。
提案手法の有効性を検証するために,実験では,特定の訓練片で訓練されたモデルが,シミュレーションの様々な部分で試験された。
また,CADモデルからオフラインで発生する最適化軌道を用いて実世界の実験を行い,UR3eロボットアームモデルを用いて部品を検査した。
関連論文リスト
- Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。
従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。
当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
論文 参考訳（メタデータ） (2024-05-23T14:39:52Z) - $ν$-DBA: Neural Implicit Dense Bundle Adjustment Enables Image-Only Driving Scene Reconstruction [31.64067619807023]
$nu$-DBAは、地図パラメトリゼーションのための3次元暗黙曲面を用いた幾何学的密集束調整(DBA)を実装している。
我々は、高密度マッピングの品質をさらに向上するために、シーンごとの自己スーパービジョンで光学フローモデルを微調整する。
論文 参考訳（メタデータ） (2024-04-29T05:29:26Z) - Joint Spatial-Temporal Calibration for Camera and Global Pose Sensor [0.4143603294943439]
ロボット工学において、モーションキャプチャシステムはローカライズアルゴリズムの精度を測定するために広く利用されている。
これらの機能は、カメラとグローバルポーズセンサーの間で正確で信頼性の高い時空間キャリブレーションパラメータを必要とする。
本研究では,これらのキャリブレーションパラメータを推定する新しい2つの手法を提案する。
論文 参考訳（メタデータ） (2024-03-01T20:56:14Z) - Model-aware reinforcement learning for high-performance Bayesian
experimental design in quantum metrology [0.5461938536945721]
量子センサは、様々なパラメータにわたる実験者による操作を可能にすることで、推定中に制御の柔軟性を提供する。
量子力学、推定、仮説テストにおいて、幅広い問題を最適化できる汎用的な手順を導入する。
粒子フィルタリングに基づくモデル認識強化学習(RL)とベイズ推定を組み合わせた。
論文 参考訳（メタデータ） (2023-12-28T12:04:15Z) - Predicting Surface Texture in Steel Manufacturing at Speed [81.90215579427463]
亜鉛めっきおよび熱間圧延過程における鋼板の表面テクスチャの制御は,顧客要求を満たすために不可欠である。
本稿では,インラインレーザ反射計測から表面特性予測への変換精度向上のための機械学習の利用を提案する。
論文 参考訳（メタデータ） (2023-01-20T12:11:03Z) - Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。
本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。
我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文 参考訳（メタデータ） (2022-09-22T13:12:54Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳（メタデータ） (2021-11-15T18:50:04Z) - Unified Data Collection for Visual-Inertial Calibration via Deep
Reinforcement Learning [24.999540933593273]
本研究では,ロボットアーム上で自動データ収集を行う動作ポリシーを学習するための新しい定式化を提案する。
本手法はモデルフリー深部強化学習を用いてキャリブレーション過程をコンパクトにモデル化する。
シミュレーションでは、手作りのポリシーよりも10倍速くキャリブレーションを実行できます。
論文 参考訳（メタデータ） (2021-09-30T10:03:56Z) - Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor
Setups [68.8204255655161]
本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。
提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
論文 参考訳（メタデータ） (2021-01-12T12:02:26Z) - Learning Trajectories for Visual-Inertial System Calibration via
Model-based Heuristic Deep Reinforcement Learning [34.58853427240756]
モデルに基づく深部強化学習を用いて,視覚慣性系校正に適した軌道を得るための新しい手法を提案する。
我々の重要な貢献は、キャリブレーション過程をマルコフ決定プロセスとしてモデル化し、モデルに基づく深部強化学習と粒子群最適化を用いて、ロボットアームで行うキャリブレーション軌道のシーケンスを確立することである。
論文 参考訳（メタデータ） (2020-11-04T23:20:15Z) - Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。
我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。
実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
論文 参考訳（メタデータ） (2020-03-23T10:51:32Z)
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。