論文の概要: Learning-Based Strategy for Composite Robot Assembly Skill Adaptation

• arxiv url: http://arxiv.org/abs/2604.06949v1
• Date: Wed, 08 Apr 2026 11:13:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.491262
• Title: Learning-Based Strategy for Composite Robot Assembly Skill Adaptation
• Title（参考訳）: 複合ロボット組み立てスキル適応のための学習戦略
• Authors: Khalil Abuibaid, Aleksandr Sidorenko, Achim Wagner, Martin Ruskowski,
• Abstract要約: 本稿では,ペグ・イン・ホール・アセンブリのためのスキルベース戦略を提案する。 適応はResidual Reinforcement Learning (RRL)によって達成される 提案した定式化により、組立スキルの堅牢な実行が可能となり、産業自動化への適合性を強調した。
• 参考スコア（独自算出の注目度）: 39.146761527401424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contact-rich robotic skills remain challenging for industrial robots due to tight geometric tolerances, frictional variability, and uncertain contact dynamics, particularly when using position-controlled manipulators. This paper presents a reusable and encapsulated skill-based strategy for peg-in-hole assembly, in which adaptation is achieved through Residual Reinforcement Learning (RRL). The assembly process is represented using composite skills with explicit pre-, post-, and invariant conditions, enabling modularity, reusability, and well-defined execution semantics across task variations. Safety and sample efficiency are promoted through RRL by restricting adaptation to residual refinements within each skill during contact-rich interactions, while the overall skill structure and execution flow remain invariant. The proposed approach is evaluated in MuJoCo simulation on a UR5e robot equipped with a Robotiq gripper and trained using SAC and JAX. Results demonstrate that the proposed formulation enables robust execution of assembly skills, highlighting its suitability for industrial automation.
• Abstract（参考訳）: 接触に富んだロボット技術は、特に位置制御マニピュレータを使用する場合、厳密な幾何学的耐性、摩擦変動性、不確実な接触ダイナミクスのために、産業用ロボットにとって依然として困難である。 本稿では,Residual Reinforcement Learning (RRL) を応用したペグ・イン・ホール・アセンブリの再利用とカプセル化技術戦略を提案する。 アセンブリプロセスは、明示的な事前、後、不変条件の複合スキルを使用して表現され、モジュール性、再利用性、タスクのバリエーションをまたいだ適切に定義された実行セマンティクスを可能にする。 安全と試料効率は、接触リッチな相互作用における各スキル内の残留精細化への適応を制限することによりRRLを介して促進されるが、全体的なスキル構造と実行フローは不変である。 提案手法は,Robotiqグリップを備えたUR5eロボット上でのMuJoCoシミュレーションで評価し,SACとJAXを用いて訓練を行った。 提案手法は, 組立スキルの堅牢な実行を可能にし, 産業自動化への適合性を強調した。

関連論文リスト

• IROSA: Interactive Robot Skill Adaptation using Natural Language [9.66356526923778]
  ツールベースアーキテクチャによるオープン語彙スキル適応を実現する新しいフレームワークを提案する。 本研究では,産業用軸受リング挿入作業を行う7-DoFトルク制御ロボットの枠組みを実証する。
  論文  参考訳（メタデータ） (2026-03-04T09:54:09Z)
• EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
  Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。 しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。 実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
  論文  参考訳（メタデータ） (2026-01-29T11:33:49Z)
• RoBridge: A Hierarchical Architecture Bridging Cognition and Execution for General Robotic Manipulation [90.81956345363355]
  RoBridgeは、一般的なロボット操作のための階層的なインテリジェントアーキテクチャである。 大規模事前学習型視覚言語モデル(VLM)に基づくハイレベル認知プランナー(HCP)で構成されている。 強化学習の手続き的スキルを解き放ち、認知と実行のギャップを効果的に埋める。
  論文  参考訳（メタデータ） (2025-05-03T06:17:18Z)
• COMBO-Grasp: Learning Constraint-Based Manipulation for Bimanual Occluded Grasping [56.907940167333656]
  集積ロボットグルーピングは、表面衝突などの環境制約により、所望のグルーピングポーズが運動的に不可能な場所である。 従来のロボット操作アプローチは、人間が一般的に使用する非包括的または双対的戦略の複雑さに苦しむ。 本稿では,2つの協調ポリシーを活用する学習ベースアプローチであるCOMBO-Grasp(Constraint-based Manipulation for Bimanual Occluded Grasping)を紹介する。
  論文  参考訳（メタデータ） (2025-02-12T01:31:01Z)
• Generalize by Touching: Tactile Ensemble Skill Transfer for Robotic Furniture Assembly [24.161856591498825]
  TEST(Tactile Ensemble Skill Transfer)は、制御ループに触覚フィードバックを組み込んだオフライン強化学習(RL)アプローチのパイオニアである。 TESTの中核となる設計は、高度計画のためのスキル移行モデルと、適応的なスキル内目標達成ポリシーのセットを学ぶことである。 その結果, TESTは90%以上の成功率を達成でき, 一般化政策の4倍以上の効率であることがわかった。
  論文  参考訳（メタデータ） (2024-04-26T20:27:10Z)
• Robot Skill Adaptation via Soft Actor-Critic Gaussian Mixture Models [29.34375999491465]
  現実の世界で行動する自律的エージェントにとっての中核的な課題は、その騒々しい知覚とダイナミクスに対処するために、そのスキルのレパートリーを適応させることである。 ロングホライズンタスクにスキルの学習を拡大するためには、ロボットは学習し、その後、構造化された方法でスキルを洗練する必要がある。 SAC-GMMは,動的システムを通じてロボットのスキルを学習し,学習したスキルを自身の軌道分布空間に適応させる,新しいハイブリッドアプローチである。
  論文  参考訳（メタデータ） (2021-11-25T15:36:11Z)
• Deep Reinforcement Learning for Contact-Rich Skills Using Compliant Movement Primitives [0.0]
  産業用ロボットのさらなる統合は、柔軟性、適応性、意思決定スキルの制限によって妨げられている。 収束と一般化を容易にする異なるプルーニング手法を提案する。 提案手法は,空間,サイズ,形状,および密接に関連するシナリオに不変な挿入スキルを学習できることを実証する。
  論文  参考訳（メタデータ） (2020-08-30T17:29:43Z)
• 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)

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。