Control robótico inteligente para extracción de elementos flexibles
- Tapia Sal Paz, Benjamin 1
- Sorrosal, Gorka 1
- Mancisidor, Aitziber 2
- Cabanes, Itziar 2
-
1
IK4-IKERLAN
info
IK4-IKERLAN
Arrasate / Mondragon, España
- 2 Universidad del País Vasco (UPV/EHU)
- Cruz Martín, Ana María (coord.)
- Arévalo Espejo, V. (coord.)
- Fernández Lozano, Juan Jesús (coord.)
ISSN: 3045-4093
Año de publicación: 2024
Número: 45
Tipo: Artículo
Resumen
La automatización de tareas de desensamblaje presenta grandes desafíos, principalmente relacionados con las caracteristicas dinámicas y no estructuradas de la tarea, en donde se necesitan acciones adaptativas para asegurar la interacción adecuada entre el robot y el entorno de la tarea. En este trabajo se propone un control basado en aprendizaje por refuerzo para la automatización de tareas de extracción de elementos flexibles mediante el uso de robots, buscando así enfrentar las dificultades de trabajar en estos entornos desestructurados y dinámicos. Para lograr eso, el control propuesto aprenderá a tomar acciones adecuadas en el movimiento del robot que llevarán a la extraction de elementos flexible a través de trayectorias de baja fuerza. Como resultado, este trabajo demuestra cómo la integración de un controlador basado en aprendizaje por refuerzo puede abordar los desafíos de la extracción de elementos flexibles, contribuyendo asi al avance de procesos de desensamblaje inteligentes mediante el uso de robots.
Referencias bibliográficas
- Beltran-Hernandez, C. C., Petit, D., Ramirez-Alpizar, I. G., Harada, K., 10 2020. Variable compliance control for robotic peg-in-hole assembly: A deep-reinforcement-learning approach. Applied Sciences (Switzerland) 10, 1–17. DOI: 10.3390/app10196923 DOI: https://doi.org/10.3390/app10196923
- Kristensen, C. B., Sørensen, F. A., Nielsen, H. B., Andersen, M. S., Bendtsen, S. P., Bøgh, S., 2019. Towards a robot simulation framework for e-waste disassembly using reinforcement learning. Vol. 38. Elsevier B.V., pp. 225–232. DOI: 10.1016/j.promfg.2020.01.030 DOI: https://doi.org/10.1016/j.promfg.2020.01.030
- Kroemer, O., Niekum, S., Konidaris, G., 2021. A review of robot learning for manipulation: Challenges, representations, and algorithms. URL: http://jmlr.org/papers/v22/19-804.html.
- Kurilova-Palisaitiene, J., Sundin, E., Poksinska, B., 1 2018. Remanufacturing challenges and possible lean improvements. Journal of Cleaner Production 172, 3225–3236. DOI: 10.1016/j.jclepro.2017.11.023 DOI: https://doi.org/10.1016/j.jclepro.2017.11.023
- Lillicrap, T. P., Hunt, J. J., Pritzel, A., Heess, N., Erez, T., Tassa, Y., Silver, D., Wierstra, D., 9 2015. Continuous control with deep reinforcement learning. URL: http://arxiv.org/abs/1509.02971
- Paz, B. T. S., Sorrosal, G., Mancisidor, A., Cabanes, I., 8 2023. Control híbrido para la manipulación robótica de elementos flexibles. Servizo de Publicacións. Universidade da Coruña, pp. 768–772. DOI: 10.17979/spudc.9788497498609.768 DOI: https://doi.org/10.17979/spudc.9788497498609.768
- Poschmann, H., Br ̈uggemann, H., Goldmann, D., 4 2020. Disassembly 4.0: A review on using robotics in disassembly tasks as a way of automation. DOI: 10.1002/cite.201900107 DOI: https://doi.org/10.1002/cite.201900107
- Sutton, R. S., Barto, A. G., 2018. Reinforcement learning : an introduction, 2nd Edition. The MIT Press.
- Zachares, P. A., Lee, M. A., Lian, W., Bohg, J., 10 2021. Interpreting contact interactions to overcome failure in robot assembly tasks. Institute of Electrical and Electronics Engineers (IEEE), pp. 3410–3417. DOI: 10.1109/icra48506.2021.9560825 DOI: https://doi.org/10.1109/ICRA48506.2021.9560825
- Zhou, Z., Ni, P., Zhu, X., Cao, Q., 11 2021. Compliant robotic assembly based on deep reinforcement learning. Institute of Electrical and Electronics Engineers (IEEE), pp. 6–9, la precision requerida en operaciones de peg-in-hole siguen siendo un problema abierto. DOI: 10.1109/mlise54096.2021.00009 DOI: https://doi.org/10.1109/MLISE54096.2021.00009