.png){kind=icon}
返回
Online Self-Supervised Learning for Accurate Pick Assembly Operation Optimization
.png){kind=icon}
OA
AI
DOI：10.3390/robotics14010004.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对制造业中柔性自动化的需求已增加，并引入了用于物体抓取的视觉引导系统。然而，一个关键挑战是手内误差，即机器人夹持器中物体实际位置与估计位置之间的差异不仅影响抓取，还影响后续装配阶段。用于补偿错位的修正策略可能增加循环时间，或依赖预标记数据集、离线训练和验证过程，从而延迟部署并限制在动态工业环境中的适应性。我们的主要贡献是一种在线自监督学习方法，可自动化实时数据收集、训练和评估，无需离线过程。在此基础上，我们的系统在每个装配循环期间收集实时数据，使用修正策略调整数据并通过自监督方法自主标注。然后，它通过自动化机器学习实现构建和评估多个回归模型。该系统选择表现最佳的模型来修正错位，并动态选择修正策略与学习模型，优化循环时间并在循环期间提高性能，而无需停止生产过程。我们的实验显示，在保持性能的同时显著减少了循环时间。
Keyword:
self-supervised learning
online learning
vision-guided systems
pick-and-place
in-hand error
peg-in-hole
cycle time optimization
期刊
IF:
3.3
论文数:
433
被引数:
3.3K
机构
引用论文
A Self-Supervised Learning-Based 6-DOF Grasp Planning Method for Manipulator一种基于自监督学习的机械手六自由度抓取规划方法OAAI
OAAI分享收藏Simultaneous Robot-World and Hand-Eye Calibration without a Calibration Object在没有校准对象的情况下同时进行机器人世界和手眼校准.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Generic Algorithm for Peg-In-Hole Assembly Tasks for Pin Alignments with Impedance Controlled Robots
PREAI
分享收藏
查看更多内容