論文の概要: AI-based Framework for Robust Model-Based Connector Mating in Robotic Wire Harness Installation

• arxiv url: http://arxiv.org/abs/2503.09409v1
• Date: Wed, 12 Mar 2025 13:59:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:39:32.869950
• Title: AI-based Framework for Robust Model-Based Connector Mating in Robotic Wire Harness Installation
• Title（参考訳）: ロボットワイヤハーネスインストールにおけるロバストモデルベースコネクタマッチングのためのAIベースフレームワーク
• Authors: Claudius Kienle, Benjamin Alt, Finn Schneider, Tobias Pertlwieser, Rainer Jäkel, Rania Rayyes,
• Abstract要約: 我々は、力制御と深層ビゾタクティル学習を統合することで、ケーブルコネクタの配座を自動化する新しいAIベースのフレームワークを設計する。 視覚的・触覚的・受容的データに基づいて学習したマルチモーダルトランスフォーマーアーキテクチャ上での1次最適化を用いた探索・挿入戦略を最適化する。
• 参考スコア（独自算出の注目度）: 1.543743835720528
• License:
• Abstract: Despite the widespread adoption of industrial robots in automotive assembly, wire harness installation remains a largely manual process, as it requires precise and flexible manipulation. To address this challenge, we design a novel AI-based framework that automates cable connector mating by integrating force control with deep visuotactile learning. Our system optimizes search-and-insertion strategies using first-order optimization over a multimodal transformer architecture trained on visual, tactile, and proprioceptive data. Additionally, we design a novel automated data collection and optimization pipeline that minimizes the need for machine learning expertise. The framework optimizes robot programs that run natively on standard industrial controllers, permitting human experts to audit and certify them. Experimental validations on a center console assembly task demonstrate significant improvements in cycle times and robustness compared to conventional robot programming approaches. Videos are available under https://claudius-kienle.github.io/AppMuTT.
• Abstract（参考訳）: 産業用ロボットが自動車組み立てに広く採用されているにもかかわらず、ワイヤーハーネスの設置は正確で柔軟な操作を必要とするため、手作業で行われている。 この課題に対処するため、我々は、力制御と深層粘性学習を統合することで、ケーブルコネクタの配座を自動化する新しいAIベースのフレームワークを設計する。 視覚的・触覚的・受容的データに基づいて学習したマルチモーダルトランスフォーマーアーキテクチャ上での1次最適化を用いた探索・挿入戦略を最適化する。 さらに、機械学習の専門知識の必要性を最小限に抑える、新しい自動データ収集および最適化パイプラインを設計する。 このフレームワークは、標準的な産業用コントローラーでネイティブに動作するロボットプログラムを最適化し、人間の専門家がそれらを監査し、認定することを可能にする。 中央コンソール組立作業における実験的検証は,従来のロボットプログラミング手法と比較して,サイクル時間とロバスト性に大きな改善が見られた。 ビデオはhttps://claudius-kienle.github.io/AppMuTTで公開されている。

関連論文リスト

• Holistic Construction Automation with Modular Robots: From High-Level Task Specification to Execution [7.012962572096341]
  建設現場におけるロボットの自動化は、常に変化する環境、ロボット専門家の不足、そしてロボット工学と建設の実践を橋渡しする標準フレームワークの欠如によって困難である。 本研究は, ロボット形態の最適化, 移動モジュール再構成ロボットを用いたミッション実行のための総合的な枠組みを提案する。
  論文  参考訳（メタデータ） (2024-12-30T11:11:13Z)
• Solving Multi-Goal Robotic Tasks with Decision Transformer [0.0]
  ロボット工学におけるオフラインマルチゴール強化学習のための決定変換器アーキテクチャの新しい適応法を提案する。 われわれのアプローチでは、ゴール固有の情報を意思決定変換器に統合し、オフライン環境で複雑なタスクを処理できる。
  論文  参考訳（メタデータ） (2024-10-08T20:35:30Z)
• RoboScript: Code Generation for Free-Form Manipulation Tasks across Real and Simulation [77.41969287400977]
  本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。 自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。 我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
  論文  参考訳（メタデータ） (2024-02-22T15:12:00Z)
• A Machine Learning Approach Towards SKILL Code Autocompletion [6.586356094533907]
  本研究は,ハードウェア設計技術者の生産性向上に向けて,SKILLコードオートコンプリートにトランスフォーマーを適用した最初の事例である。 ラベル付きデータとラベル付きデータの両方で高品質なSKILLデータセットを作成するための新しい手法を提案する。 提案手法を用いて訓練されたモデルは,人間の判断スコアとBLEUスコアにおいて,ベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-04T14:29:28Z)
• RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation [68.70755196744533]
  RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。 我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
  論文  参考訳（メタデータ） (2023-11-02T17:59:21Z)
• Robot Fine-Tuning Made Easy: Pre-Training Rewards and Policies for Autonomous Real-World Reinforcement Learning [58.3994826169858]
  ロボット強化学習のためのリセット不要な微調整システムであるRoboFuMEを紹介する。 我々の洞察は、オフラインの強化学習技術を利用して、事前訓練されたポリシーの効率的なオンライン微調整を確保することである。 提案手法では,既存のロボットデータセットからのデータを組み込んで,目標タスクを3時間以内の自律現実体験で改善することができる。
  論文  参考訳（メタデータ） (2023-10-23T17:50:08Z)
• Towards Building AI-CPS with NVIDIA Isaac Sim: An Industrial Benchmark and Case Study for Robotics Manipulation [18.392301524812645]
  代表的サイバー物理システム(CPS)として、ロボットマニピュレータは様々な学術研究や産業プロセスで広く採用されている。 ロボット操作の最近の研究は、適応性と性能を向上させるために人工知能(AI)アプローチをコントローラとして採用し始めている。 本稿では,ロボット操作のための公開産業ベンチマークを提案する。
  論文  参考訳（メタデータ） (2023-07-31T18:21:45Z)
• 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)
• Integrated Benchmarking and Design for Reproducible and Accessible Evaluation of Robotic Agents [61.36681529571202]
  本稿では,開発とベンチマークを統合した再現性ロボット研究の新しい概念について述べる。 このセットアップの中心的なコンポーネントの1つはDuckietown Autolabであり、これは比較的低コストで再現可能な標準化されたセットアップである。 本研究では,インフラを用いて実施した実験の再現性を解析し,ロボットのハードウェアや遠隔実験室間でのばらつきが低いことを示す。
  論文  参考訳（メタデータ） (2020-09-09T15:31:29Z)
• Improving Input-Output Linearizing Controllers for Bipedal Robots via Reinforcement Learning [85.13138591433635]
  入力出力線形化コントローラの主な欠点は、正確な力学モデルが必要であり、入力制約を考慮できないことである。 本稿では,強化学習技術を用いた二足歩行ロボット制御の具体例について,両課題に対処する。
  論文  参考訳（メタデータ） (2020-04-15T18:15:49Z)

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。