Core Concepts
제안된 모델은 다양한 조명 조건에서도 구멍 삽입 작업을 성공적으로 수행할 수 있도록 시각적 주의 메커니즘과 고유감각 데이터 기반 강화 학습 정책을 통합하여 학습한다.
Abstract
이 연구에서는 건설 현장에서 수행되는 앵커 볼트 삽입 작업을 자동화하기 위한 비전 및 고유감각 데이터 기반 로봇 제어 모델을 제안한다. 이 모델은 공간 주의 포인트 네트워크(SAP)와 심층 강화 학습(DRL) 정책으로 구성되며, 이들은 엔드-투-엔드 방식으로 공동 학습된다.
모델 학습은 오프라인 방식으로 진행되며, 학습 시간을 단축하고 실제 환경으로의 전이 시 현실 격차를 최소화하기 위한 샘플 효율적인 프레임워크를 사용한다. 12개의 알 수 없는 구멍, 16개의 다른 초기 위치, 3가지 조명 조건(그림자가 있는 2가지)에서 산업용 로봇을 이용한 평가를 통해 SAP가 어려운 조명 조건에서도 관련 주의 포인트를 생성할 수 있음을 보여준다. 또한 제안된 모델이 다양한 기준 모델보다 더 높은 성공률과 더 짧은 작업 완료 시간을 달성할 수 있음을 보여준다.
제안된 모델의 높은 효과성, 오프라인 학습 프레임워크의 높은 샘플 효율성 및 짧은 학습 시간으로 인해, 이 접근 방식은 건설 현장에 쉽게 적용될 수 있다.
Stats
구멍 중심에서 초기 위치까지의 거리가 4 mm일 때 P-RL의 평균 성공률은 79.4%이다.
제안된 SAP-RL-E 모델의 평균 성공률은 93.9%이고, 평균 작업 완료 시간은 8.21초이다.
Quotes
"제안된 모델의 높은 효과성, 오프라인 학습 프레임워크의 높은 샘플 효율성 및 짧은 학습 시간으로 인해, 이 접근 방식은 건설 현장에 쉽게 적용될 수 있다."