論文の概要: Learning-augmented robotic automation for real-world manufacturing

• arxiv url: http://arxiv.org/abs/2604.22235v1
• Date: Fri, 24 Apr 2026 05:20:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.350985
• Title: Learning-augmented robotic automation for real-world manufacturing
• Title（参考訳）: 実世界製造のための学習支援ロボット自動化
• Authors: Yunho Kim, Quan Nguyen, Taewhan Kim, Youngjin Heo, Joonho Lee,
• Abstract要約: 本稿では,学習タスクコントローラと3D安全モニタを従来の産業用ニューラルネットワークに統合するハイブリッドシステムであるLearning-Augmented Robotic Automationを紹介する。 実際の製造制約下では、変形可能なケーブル挿入およびはんだ付けを自動化するために、電動機製造ラインにシステムを展開した。 1タスクあたりの実際のデータ量は20分未満で、5時間10分連続で運用され、物理的フェンシングなしで108台のモーターを生産し、製品レベルの品質管理試験では99.4%のパスレートを達成した。
• 参考スコア（独自算出の注目度）: 12.335382654697817
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial robots are widely used in manufacturing, yet most manipulation still depends on fixed waypoint scripts that are brittle to environmental changes. Learning-based control offers a more adaptive alternative, but it remains unclear whether such methods, still mostly confined to laboratory demonstrations, can sustain hours of reliable operation, deliver consistent quality, and behave safely around people on a live production line. Here we present Learning-Augmented Robotic Automation, a hybrid system that integrates learned task controllers and a neural 3D safety monitor into conventional industrial workflows. We deployed the system on an electric-motor production line to automate deformable cable insertion and soldering under real manufacturing constraints, a step previously performed manually by human workers. With less than 20 min of real-world data per task, the system operated continuously for 5 h 10 min, producing 108 motors without physical fencing and achieving a 99.4% pass rate on product-level quality-control tests. It maintained near-human takt time while reducing variability in solder-joint quality and cycle time. These results establish a practical pathway for extending industrial automation with learning-based methods.
• Abstract（参考訳）: 産業用ロボットは製造業で広く使われているが、ほとんどの操作は、環境の変化に弱い固定されたウェイポイントスクリプトに依存している。 学習ベースの制御は、より適応的な代替手段を提供するが、まだ実験室でのデモに限られており、信頼性のある操作時間を維持し、一貫した品質を提供し、ライブプロダクションラインの人々の周りで安全に振る舞うことができるかどうかは不明だ。 ここでは、学習タスクコントローラとニューラル3D安全モニタを従来の産業ワークフローに統合するハイブリッドシステムであるLearning-Augmented Robotic Automationを紹介する。 実際の製造制約下では、変形可能なケーブルの挿入と半田付けを自動化するために、電気モーター製造ラインにシステムを配置した。 1タスクあたりの実際のデータ量は20分未満で、5時間10分連続で運用され、物理的フェンシングなしで108台のモーターを生産し、製品レベルの品質管理試験では99.4%のパスレートを達成した。 ハンダジョイントの品質とサイクル時間の変動を低減しつつ、ほぼ人間のタクト時間を維持した。 これらの結果は、学習に基づく手法で産業の自動化を拡大するための実践的な経路を確立する。

関連論文リスト

• A Robotic Testing Platform for Pipelined Discovery of Resilient Soft Actuators [63.07587517846448]
  本稿では,DEA寿命をスキャンできる新しいテストロボットによって実現された最適化パイプラインを提案する。 ロボットは、電気機械特性測定、プログラム可能な電圧入力、マルチチャネルテスト能力を統合する。 これを用いて,入力電圧等級,周波数,電極物質濃度,電気接続フィラーなど,Elastosil系リニアアクチュエータの寿命を走査した。
  論文  参考訳（メタデータ） (2026-02-24T14:41:28Z)
• RL-100: Performant Robotic Manipulation with Real-World Reinforcement Learning [33.36533022574748]
  RL-100は,教師あり学習によって訓練された拡散ビジュモータポリシーに基づく実世界の強化学習フレームワークである。 我々はPush-TやAgile Bowlingといった動的剛体制御にまたがる7つの実ロボットタスクに対してRL-100を評価する。 RL-100は900回中900回で評価試験で100%成功し、1回で250回連続試験のうち250回まで成功している。
  論文  参考訳（メタデータ） (2025-10-16T16:07:50Z)
• FAST: Efficient Action Tokenization for Vision-Language-Action Models [98.15494168962563]
  離散コサイン変換に基づくロボット動作のための圧縮に基づく新しいトークン化手法を提案する。 FASTをベースとしたFAST+は,100万個のリアルロボットアクショントラジェクトリに基づいて訓練されたユニバーサルロボットアクショントークンである。
  論文  参考訳（メタデータ） (2025-01-16T18:57:04Z)
• 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)
• Machine Learning Meets Advanced Robotic Manipulation [48.6221343014126]
  本論文は、最先端技術と、実世界の操作タスクに適用された機械学習手法の最近の動向についてレビューする。 論文の残りの部分は、産業、医療、農業、宇宙、軍事、捜索救助など、さまざまな分野におけるML応用に費やされている。
  論文  参考訳（メタデータ） (2023-09-22T01:06:32Z)
• Don't Start From Scratch: Leveraging Prior Data to Automate Robotic Reinforcement Learning [70.70104870417784]
  強化学習(RL)アルゴリズムは、ロボットシステムの自律的なスキル獲得を可能にするという約束を持っている。 現実のロボットRLは、通常、環境をリセットするためにデータ収集と頻繁な人間の介入を必要とする。 本研究では,従来のタスクから収集した多様なオフラインデータセットを効果的に活用することで,これらの課題にどのように対処できるかを検討する。
  論文  参考訳（メタデータ） (2022-07-11T08:31:22Z)
• An Automated Robotic Arm: A Machine Learning Approach [0.0]
  現代の産業は、手動によるシステムの制御から自動化へと急速にシフトしている。 コンピュータベースのシステムは、品質と生産性を向上させることができるが、作業には柔軟性がない。 工業的重要性の1つは、ある場所から別の場所へ物を選んで配置することである。
  論文  参考訳（メタデータ） (2022-01-07T10:33:01Z)
• Towards the Automation of a Chemical Sulphonation Process with Machine Learning [0.0]
  本稿では,化学吸音過程における機械学習手法の適用結果について述べる。 プロセスパラメータからのデータを用いてランダムフォレスト、ニューラルネットワーク、線形回帰などの異なるモデルのトレーニングを行った。 実験の結果,これらの製品の品質値を精度良く予測することが可能であり,時間短縮の可能性があることが判明した。
  論文  参考訳（メタデータ） (2020-09-25T10:56:41Z)
• Detection and Classification of Industrial Signal Lights for Factory Floors [63.48764893706088]
  目標は、工場のフロアを撮影するビデオカメラからの入力を用いて、運用状態を測定するソリューションを開発することである。 自動走行車における信号認識に一般的に用いられる手法を用いて、特定条件の99%以上の精度のシステムを示す。
  論文  参考訳（メタデータ） (2020-04-23T14:26:39Z)

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。