不確実な嵌合タイプと嵌合量を伴うバッチ精密組立タスクのためのロバストでコンプライアントなロボット組立制御戦略

- 対象は、遷移嵌合(transition fit)で設計された peg と hole を大量バッチで組み付ける高精度産業組立タスク - 加工誤差により個々のペアで clearance fit か interference fit か、また fit amount が不確実になる状況を扱う - 不確実な fit types と fit amounts に対応する robust かつ compliant な組立制御戦略を構築する手法を提案 - 実世界実験で有効性を示す研究

- 従来は fit type/fit amount が既知・単一条件の組立が中心だが、本手法は両者が不確実なバッチ組立を対象化 - バッチタスクを複数の deterministic subtasks に分解し、各 subtask の compliance control を学習 - multi-teacher policy distillation で複数戦略を単一 student network に統合し robust な制御戦略を構築 - 既存手法と比べ force compliance と success rate が優れると報告 - 詳細な比較対象名は要旨からは不明

- batch precision assembly task を複数の deterministic subtasks に分解 - force-vision fusion controller 駆動の reinforcement learning と multi-task reinforcement learning を組み合わせた FVFC-MTRL を提案 - FVFC-MTRL で複数の compliance control strategies を同時学習 - multi-teacher policy distillation により複数の学習済み戦略を unified student network へ統合 - これにより fit types/fit amounts の不確実性に頑健な制御戦略を構築

- real-world experiments を実施 - 異なる fit types と fit amounts を持つ高精度 assembly task に対し robust control strategy を構築できることを確認 - MTRL framework が training efficiency を大幅改善することを示す - 最終制御戦略が多くの既存手法より優れた force compliance と高い success rate を達成すると報告 - 具体的な評価指標・被比較手法の詳細は要旨からは不明

- 提案手法は不確実な fit types/fit amounts 下での robust な組立制御を実現 - MTRL による学習効率改善と distillation による統合の有効性を主張 - 一方、実世界実験の条件数、fit amount の範囲、失敗事例、計算コスト、sim-to-real の扱いは要旨からは不明 - 限界や今後の課題についての明示的議論は要旨からは不明

- 要旨で参照・比較されている個別研究名は不明 - 関連手法として reinforcement learning、multi-task reinforcement learning、policy distillation、force-vision fusion control、compliant/peg-in-hole assembly の代表的文献を次に読む候補として挙げる - 特に multi-teacher policy distillation と compliance control の組立応用に関する研究を追うのが妥当