論文の概要: Simulation-based Learning of Electrical Cabinet Assembly Using Robot Skills
- arxiv url: http://arxiv.org/abs/2602.14561v1
- Date: Mon, 16 Feb 2026 08:45:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.486379
- Title: Simulation-based Learning of Electrical Cabinet Assembly Using Robot Skills
- Title（参考訳）: ロボットスキルを用いた電気内閣組立のシミュレーションによる学習
- Authors: Arik Laemmle, Balázs András Bálint, Philipp Tenbrock, Frank Naegele, David Traunecker, József Váncza, Marco F. Huber,
- Abstract要約: 本稿では、DINレール上での電気端子の力制御組立を自動化するためのシミュレーション駆動方式を提案する。
提案手法は,物理シミュレーション環境下での深部強化学習(DRL)とパラメータ化可能なロボット技術を統合する。
実験結果は, 位置差や回転偏差の大きい場合であっても, シミュレーションと実世界の双方で高い成功率(最大100%)を示した。
- 参考スコア（独自算出の注目度）: 2.900269335003268
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a simulation-driven approach for automating the force-controlled assembly of electrical terminals on DIN-rails, a task traditionally hindered by high programming effort and product variability. The proposed method integrates deep reinforcement learning (DRL) with parameterizable robot skills in a physics-based simulation environment. To realistically model the snap-fit assembly process, we develop and evaluate two types of joining models: analytical models based on beam theory and rigid-body models implemented in the MuJoCo physics engine. These models enable accurate simulation of interaction forces, essential for training DRL agents. The robot skills are structured using the pitasc framework, allowing modular, reusable control strategies. Training is conducted in simulation using Soft Actor-Critic (SAC) and Twin Delayed Deep Deterministic Policy Gradient (TD3) algorithms. Domain randomization is applied to improve robustness. The trained policies are transferred to a physical UR10e robot system without additional tuning. Experimental results demonstrate high success rates (up to 100%) in both simulation and real-world settings, even under significant positional and rotational deviations. The system generalizes well to new terminal types and positions, significantly reducing manual programming effort. This work highlights the potential of combining simulation-based learning with modular robot skills for flexible, scalable automation in small-batch manufacturing. Future work will explore hybrid learning methods, automated environment parameterization, and further refinement of joining models for design integration.
- Abstract（参考訳）: 本稿では,DINレール上での電気端末の力制御組立を自動化するためのシミュレーション駆動型手法を提案する。
提案手法は,物理シミュレーション環境下での深部強化学習(DRL)とパラメータ化可能なロボット技術を統合する。
本研究では,スナップフィット組立過程を現実的にモデル化するために,ビーム理論に基づく解析モデルと,MuJoCo物理エンジンに実装された剛体モデルという2種類の接合モデルを開発し,評価する。
これらのモデルは、DRLエージェントの訓練に不可欠な相互作用力の正確なシミュレーションを可能にする。
ロボットのスキルはpitascフレームワークを使って構成され、モジュラーで再利用可能なコントロール戦略を可能にする。
SAC (Soft Actor-Critic) と Twin Delayed Deep Deterministic Policy Gradient (TD3) アルゴリズムを用いてシミュレーションを行った。
ドメインのランダム化は堅牢性を改善するために適用される。
トレーニングされたポリシーは、追加のチューニングなしで物理的なUR10eロボットシステムに転送される。
実験結果は, 位置差や回転偏差の大きい場合であっても, シミュレーションと実世界の双方で高い成功率(最大100%)を示した。
このシステムは、新しい端末タイプと位置をうまく一般化し、手動プログラミングの労力を大幅に削減する。
この研究は、シミュレーションベースの学習とモジュラーロボットのスキルを組み合わせることで、小さなバッチ製造において柔軟でスケーラブルな自動化を実現する可能性を強調している。
今後の研究は、ハイブリッド学習手法、自動環境パラメータ化、および設計統合のための結合モデルのさらなる改良を検討する。
関連論文リスト
- D-REX: Differentiable Real-to-Sim-to-Real Engine for Learning Dexterous Grasping [66.22412592525369]
本稿では,ガウスのSplat表現を生かした実--sim-to-realエンジンを導入し,実-sim-to-realエンジンについて述べる。
提案エンジンは, 各種物体の形状と質量値のマス識別において, 高精度かつロバストな性能を実現していることを示す。
これらの最適化された質量値は、力覚的なポリシー学習を促進し、オブジェクトの把握において優れた、高いパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-03-01T15:32:04Z) - Digital Twin Synchronization: Bridging the Sim-RL Agent to a Real-Time Robotic Additive Manufacturing Control [2.5709786140685633]
この研究は、産業ロボット工学応用のためのソフトアクター・クライトとデジタルツインの統合を推進している。
システムアーキテクチャはUnityのシミュレーション環境とROS2を組み合わせて、シームレスなデジタル双対同期を実現する。
その結果、シミュレートされた環境と物理的環境の両方において、迅速な政策収束と堅牢なタスク実行が示された。
論文 参考訳（メタデータ） (2025-01-29T22:06:53Z) - Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
この研究は、長期水平予測、エラー蓄積、およびsim-to-real転送の課題に対処することで、モデルに基づく強化学習を前進させる。
スケーラブルでロバストなフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
論文 参考訳（メタデータ） (2025-01-17T10:39:09Z) - Incremental Few-Shot Adaptation for Non-Prehensile Object Manipulation using Parallelizable Physics Simulators [5.483662156126757]
モデル予測制御(MPC)のための物理に基づく力学モデルに漸進的に適応する非包括的操作のための新しいアプローチを提案する。
シミュレーションおよび実ロボットを用いた物体押出実験における少数ショット適応手法の評価を行った。
論文 参考訳（メタデータ） (2024-09-20T05:24:25Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳（メタデータ） (2023-10-12T20:49:15Z) - Residual Physics Learning and System Identification for Sim-to-real
Transfer of Policies on Buoyancy Assisted Legged Robots [14.760426243769308]
本研究では,BALLUロボットのシステム識別による制御ポリシのロバストなシミュレートを実演する。
標準的な教師あり学習の定式化に頼るのではなく、深層強化学習を利用して外部力政策を訓練する。
シミュレーショントラジェクトリと実世界のトラジェクトリを比較することで,改良されたシミュレーション忠実度を解析する。
論文 参考訳（メタデータ） (2023-03-16T18:49:05Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳（メタデータ） (2022-09-07T15:15:12Z) - Learning physics-informed simulation models for soft robotic
manipulation: A case study with dielectric elastomer actuators [21.349079159359746]
柔らかいアクチュエータは、緩やかな握りや器用な動きといったロボット作業に対して安全かつ適応的なアプローチを提供する。
このようなシステムを制御するための正確なモデルを作成することは、変形可能な物質の複雑な物理のために困難である。
本稿では,微分可能シミュレータと有限要素法の利点を組み合わせたフレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-25T21:15:05Z) - PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable
Physics [89.81550748680245]
PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。
各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。
本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
論文 参考訳（メタデータ） (2021-04-07T17:59:23Z) - Fast Online Adaptation in Robotics through Meta-Learning Embeddings of
Simulated Priors [3.4376560669160385]
現実の世界では、ロボットはモーターの故障から岩の多い地形で自分自身を見つけるまで、あらゆる状況に遭遇するかもしれない。
FAMLEにより、ロボットはベースラインよりもはるかに少ない時間で、新たな損傷に適応できることを示す。
論文 参考訳（メタデータ） (2020-03-10T12:37:52Z) - Information Theoretic Model Predictive Q-Learning [64.74041985237105]
本稿では,情報理論的MPCとエントロピー正規化RLとの新たな理論的関連性を示す。
バイアスモデルを利用したQ-ラーニングアルゴリズムを開発した。
論文 参考訳（メタデータ） (2019-12-31T00:29:22Z)
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。