이미지 분할 기반의 시뮬레이션-현실 딥 강화 학습 프레임워크를 통한 정확한 핀-홀 조립

초록 산업 로봇을 이용한 조립 작업의 자동화는 현대 제조업에서 중요하며, 특히 다종, 저체적, 맞춤형 생산에 필수적입니다. 전통적인 프로그래밍 방법은 시간이 많이 걸리고 복잡하고 변동성이 있는 환경에 대한 적응력이 부족합니다. 강화 학습 기반의 조립 작업은 시뮬레이션 환경에서 성공을 보여주었지만, 실제 응용으로 전이할 때 시뮬레이션-현실 격차와 안전 문제 같은 도전에 직면하고 있습니다. 본 기사는 이러한 문제를 해결하기 위해 위성 제조에서 핀-홀 구성 요소 조립과 같은 삽입 작업에 맞춘 저비용 이미지 분할 기반의 딥 강화 학습 전략을 제안합니다. 우리의 접근 방식은 사전 대결 딥 Q-네트워크에 시각적 및 힘 피드백을 통합하여 삽입 기술 학습을 가능하게 하여 구성 요소의 정확한 정렬을 가능하게 합니다. 시뮬레이션-현실 격차를 해소하기 위해, 우리는 원시 이미지 입력 공간을 이미지 분할을 기반으로 한 정규 공간으로 변환합니다. 구체적으로, 우리는 시뮬레이션에서 사전 훈련되고 실제 데이터로 미세 조정된 U-net 기반의 분할 모델을 사용하여 수 labor-집약적인 실제 이미지 세그먼트 레이블의 필요성을 크게 줄입니다. 핀-홀 작업에서 빈번한 접촉을 처리하기 위해, 우리는 안전 보호 장치와 임피던스 제어를 훈련 과정에 통합하여 능동적인 적합성을 제공하고 조립 실패의 위험을 줄입니다. 우리의 접근 방식은 시뮬레이션 및 실제 로봇 환경에서 평가되었으며 카메라 위치 오류와 다양한 주변 조명 강도 및 조명 색상에도 강력한 성능을 보여주었습니다. 마지막으로 알고리즘은 실제 위성 조립 시나리오에서 검증되어 20회 테스트 중 15회의 성공률을 달성했습니다.