Core Concepts
Ein visuell-propriozeptives Modell, das eine Spatial Attention Point Network (SAP) und eine Deep Reinforcement Learning (DRL)-Richtlinie integriert, ermöglicht die robuste Ausführung der Stift-in-Loch-Aufgabe für Verankerungsbolzen in Beton unter herausfordernden Beleuchtungsbedingungen.
Abstract
Die Studie stellt ein visuell-propriozeptives Modell zur Steuerung eines Industrieroboters für die Stift-in-Loch-Aufgabe von Verankerungsbolzen in Beton unter variablen Beleuchtungsbedingungen vor. Das Modell besteht aus einem Spatial Attention Point Network (SAP) und einer Deep Reinforcement Learning (DRL)-Richtlinie, die gemeinsam end-to-end trainiert werden.
Das SAP extrahiert relevante Aufmerksamkeitspunkte aus Bildern, auch unter herausfordernden Beleuchtungsbedingungen mit irreführenden Schatten. Die DRL-Richtlinie nutzt diese Aufmerksamkeitspunkte zusammen mit propriozeptiven Daten, um die Roboterbewegungen zu steuern.
Das Modell wird in einem effizienten offline-Trainingsrahmen trainiert, der die Realitätslücke beim Transfer auf die reale Welt minimiert und die Trainingszeit verkürzt. Evaluierungen mit einem Industrieroboter, der die Aufgabe in 12 unbekannten Löchern, von 16 verschiedenen Startpositionen und unter drei Beleuchtungsbedingungen (zwei mit irreführenden Schatten) ausführt, zeigen, dass das Modell eine hohe Erfolgsquote und kurze Ausführungszeit erreicht. Es übertrifft dabei verschiedene Baseline-Modelle, einschließlich eines, das nur propriozeptive Daten verwendet.
Stats
Die Entfernung des Stiftes vom Lochzentrum zu Beginn der Aufgabe betrug 3 oder 4 mm.
Die maximale Kraft in z-Richtung, die zum Erkennen des Einfügens des Stiftes in das Loch verwendet wurde, betrug 20 N.
Die minimale Verschiebung des Stiftes in z-Richtung, die zum Erkennen des Einfügens verwendet wurde, betrug 9 mm.
Quotes
Keine relevanten Zitate identifiziert.