論文の概要: Stage-Aware and Roughness-Constrained Diffusion Policy for Multi-Stage Robotic Polishing

• arxiv url: http://arxiv.org/abs/2606.25754v1
• Date: Wed, 24 Jun 2026 12:23:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.324514
• Title: Stage-Aware and Roughness-Constrained Diffusion Policy for Multi-Stage Robotic Polishing
• Title（参考訳）: 多段ロボット研磨における段認識と粗さ制約拡散政策
• Authors: Shuai Ke, Jiexin Zhang, Huan Zhao, Zhiao Wei, Yikun Guo, Tiange Wu, Guoqiang Guo, Haoyuan Zhou, Jie Pan, Han Ding,
• Abstract要約: 本稿では,ロボット研磨のためのSRDP(Stage-Aware and Roughness-Constrained Diffusion Policy)を提案する。 SRDPは、マルチモーダル観測履歴からプロセスステージ後部を推測し、それを共有逆復調過程の条件に使用する。 粗さ指向のプロセス制約拡散サンプリング法を導入し, 拘束フィード速度と通常の接触力を生成する。
• 参考スコア（独自算出の注目度）: 5.400075443131777
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Polishing is a critical finishing process in high-end manufacturing fields such as aerospace, where surface quality directly affects the service performance and reliability of components. Robotic imitation learning provides a flexible solution for such tasks, but current methods remain limited in industrial polishing because of long-horizon dependencies, uncertain stage transitions, and the difficulty of modeling and regulating coupled process parameters. To address these issues, this paper proposes a Stage-Aware and Roughness-Constrained Diffusion Policy (SRDP) for robotic polishing. SRDP infers the process-stage posterior from multimodal observation histories and uses it to condition the shared reverse denoising process, enabling stage-consistent action generation without external stage labels during execution. Furthermore, a roughness-oriented process-constrained diffusion sampling method is incorporated to generate constrained feed speed and normal contact force under stage-wise preset spindle speeds, thereby improving process consistency and physical feasibility. Systematic experiments are conducted on two representative scenarios, namely spacecraft cabin coating-surface polishing and inner-cavity structural surface finishing. Comparisons with advanced baselines, ablation studies, and real-robot validations comprehensively evaluate the proposed method. The results show that SRD improves stage-transition stability, process-parameter consistency, and final surface quality across different polishing scenarios.
• Abstract（参考訳）: ポーリングは、表面品質がコンポーネントのサービス性能と信頼性に直接影響を与える、航空宇宙などのハイエンド製造分野において重要な仕上げプロセスである。 ロボット模倣学習は、そのようなタスクに対して柔軟なソリューションを提供するが、現在の手法は、長い水平依存、不確実なステージ遷移、結合されたプロセスパラメータのモデリングと制御の難しさのために、産業的な研磨に限られている。 これらの課題に対処するため,ロボット研磨のためのSRDP(Stage-Aware and Roughness-Constrained Diffusion Policy)を提案する。 SRDPは、マルチモーダル観測履歴からプロセスステージ後部を推論し、それを共有リバース復調過程の条件付けに使用し、実行中に外部ステージラベルなしでステージ一貫性のアクション生成を可能にする。 さらに、段階的に予め設定されたスピンドル速度の下で、制約された供給速度と通常の接触力を生成するために、粗さ指向のプロセス制約拡散サンプリング法を導入し、プロセスの一貫性と物理的実現性を向上させる。 システム実験は、宇宙船キャビン表面の研磨と内部キャビティ表面の仕上げという2つの代表的なシナリオで実施される。 提案手法を総合的に評価し, 高度ベースライン, アブレーション研究, 実ロボット検証との比較を行った。 その結果,SRDは異なる研磨シナリオにおいて,ステージ遷移安定性,プロセスパラメータの整合性,最終表面品質を改善した。

関連論文リスト

• Machine learning enables roughness-driven inverse design of milling processes [39.146761527401424]
  本稿では,表面加工プロセスの逆設計のための機械学習(ML)ベースのフレームワークを提案する。 このフレームワークでは、ディープニューラルネットワーク(DNN)とランダムフォレスト(RF)アンサンブルという、2つのMLモデルの前方トレーニングを採用している。 このアプローチは、プロセスパラメータとツールパラメータの両方を考慮して、最高パフォーマンスのミルプロセス構成を特定し、完全なソリューション空間からそれらを提示する。
  論文  参考訳（メタデータ） (2026-06-14T21:49:41Z)
• From Noise to Control: Parameterized Diffusion Policies [54.941343992110426]
  本研究では,学習行動多様体に埋め込まれた連続パラメータに条件付き拡散ポリシーを学習するためのフレームワークを提案する。 政策重みを更新することなく、既知の戦略間の円滑な距離と、新しい制約への効率的な適応を可能にする。
  論文  参考訳（メタデータ） (2026-05-29T20:21:50Z)
• Adaptive Linear Path Model-Based Diffusion [52.84663832658799]
  リニアパスモデルベース拡散(LP-MBD)を導入し、分散保存スケジュールをフローマッチング線形確率パスに置き換える。 また,適応型LP-MBD(ALP-MBD)を提案し,タスクの複雑さや環境条件に応じて拡散ステップやノイズレベルを調整する。
  論文  参考訳（メタデータ） (2026-02-02T21:33:03Z)
• Taming Flow Matching with Unbalanced Optimal Transport into Fast Pansharpening [10.23957420290553]
  本稿では,一段階の高品位パンシャーピングを実現するための最適輸送フローマッチングフレームワークを提案する。 OTFMフレームワークは、パンシャーピング制約の厳格な遵守を維持しつつ、シミュレーション不要なトレーニングとシングルステップ推論を可能にする。
  論文  参考訳（メタデータ） (2025-03-19T08:10:49Z)
• Simultaneous Multi-Robot Motion Planning with Projected Diffusion Models [57.45019514036948]
  MRMP拡散(MRMP Diffusion, SMD)は, 制約付き最適化を拡散サンプリングプロセスに統合し, 衝突のない, キネマティックに実現可能な軌道を生成する新しい手法である。 本稿では, ロボット密度, 障害物の複雑度, 動作制約の異なるシナリオ間の軌道計画アルゴリズムを評価するための総合的MRMPベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-02-05T20:51:28Z)
• Reinforcement Learning on Reconfigurable Hardware: Overcoming Material Variability in Laser Material Processing [3.958366734801974]
  本研究では,実時間実行を実現するためにフィールドプログラマブルゲートアレイ上に実装された,レーザプロセス制御のための新しいリアルタイム強化学習手法を提案する。 具体的には、このアルゴリズムは各一意な表面特性に対する正しいパワープロファイルを学習し、手動の最適定電力戦略よりも大幅に改善された。 このアプローチは、レーザープロセスの自動化と最適化において大きな進歩を示し、複数の産業で応用される可能性がある。
  論文  参考訳（メタデータ） (2025-01-31T12:51:55Z)
• Diffusion Prior Interpolation for Flexibility Real-World Face Super-Resolution [48.34173818491552]
  拡散事前補間(DPI)は、一貫性と多様性のバランスをとることができ、事前訓練されたモデルにシームレスに統合することができる。 合成および実データに対して行われた広範な実験において、DPIはSOTA FSR法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-12-21T09:28:44Z)
• Unveiling Processing--Property Relationships in Laser Powder Bed Fusion: The Synergy of Machine Learning and High-throughput Experiments [0.0]
  本稿では,高スループット実験と階層型機械学習(ML)の相乗効果を考慮した手法を提案する。 レーザー粉末層融合(LPBF)におけるプロセスパラメータの集合と選択された機械的特性(引張強度と延性)との複雑な関係を明らかにする。 本手法は材料非依存であり、17-4PHステンレス鋼への適用を実証する。
  論文  参考訳（メタデータ） (2024-08-30T20:34:16Z)
• Predictive modeling approaches in laser-based material processing [59.04160452043105]
  本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。 その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。 結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
  論文  参考訳（メタデータ） (2020-06-13T17:28:52Z)

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。