日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

sim2realarXiv:2602.14561

シミュレーション学習とロボットスキルによる電気キャビネット組立の自動化

Simulation-based Learning of Electrical Cabinet Assembly Using Robot Skills

シェア:XThreadsFacebookLINEはてブBluesky

物理シミュレーション上で深層強化学習と再利用可能なロボットスキルを組み合わせ、DINレールへの端子の力制御組立を学習させ、実機UR10eへ追加調整なしで転移して高い成功率を達成した。

詳しい要約

1. どんなもの?

- 電気キャビネット内の DIN-rail 上への electrical terminals の force-controlled assembly を自動化する研究。 - 物理ベース simulation 環境で deep reinforcement learning (DRL) と parameterizable robot skills を統合。 - 従来は programming effort と product variability が障壁だった。 - 学習済み policy を実機 UR10e に追加調整なしで転移。 - 小批量製造向けの柔軟でスケーラブルな自動化を目指す。

2. 先行研究と比べてどこがすごい?

- 従来の電気端子組立は高い programming effort と製品多様性への対応が課題。 - 本研究は simulation-driven な DRL と modular robot skills を組み合わせ、手動プログラミングを大幅削減。 - 位置・回転の大きなずれにも対応し、新規 terminal 種別・位置へ汎化。 - 実機 UR10e へ追加チューニングなしで転移し、成功率最大100%を達成。 - 小批量製造における柔軟な自動化の可能性を示す。

3. 技術・手法の肝は?

- physics-based simulation 環境で DRL を parameterizable robot skills と統合。 - snap-fit assembly を現実的にモデル化するため、2種類の joining models を開発・評価。 - beam theory に基づく analytical models。 - MuJoCo physics engine による rigid-body models。 - robot skills は pitasc framework で構造化し、modular で再利用可能な制御戦略を実現。 - 学習アルゴリズムは Soft Actor-Critic (SAC) と Twin Delayed Deep Deterministic Policy Gradient (TD3)。 - domain randomization を適用し robustness を向上。

4. どうやって有効だと検証した?

- simulation と real-world の両方で実験。 - 位置・回転の大きなずれがある条件下でも高い成功率(最大100%)を達成。 - 学習済み policy を物理 UR10e robot system に追加チューニングなしで転移。 - 新しい terminal types と positions への汎化を確認。 - 手動プログラミング工数の大幅削減を示す。

5. 議論はある?

- 小批量製造における simulation-based learning と modular robot skills の組み合わせの可能性を強調。 - 今後の課題として hybrid learning methods、automated environment parameterization、joining models の設計統合に向けた改良を挙げる。 - 具体的な限界や失敗事例、計算コスト、sim-to-real gap の詳細は要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照・比較されている研究は明示されていない。 - 関連手法として deep reinforcement learning (DRL)、Soft Actor-Critic (SAC)、Twin Delayed Deep Deterministic Policy Gradient (TD3)、MuJoCo、pitasc framework が挙げられる。 - 同分野の定番として sim-to-real transfer、domain randomization、force-controlled assembly に関する研究を読むべき。 - 具体的な論文名は要旨からは不明。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Arik Laemmle, Balázs András Bálint, Philipp Tenbrock, Frank Naegele, David Traunecker, József Váncza, Marco F. Huber

分類: cs.RO

原文アブストラクト

This paper presents a simulation-driven approach for automating the force-controlled assembly of electrical terminals on DIN-rails, a task traditionally hindered by high programming effort and product variability. The proposed method integrates deep reinforcement learning (DRL) with parameterizable robot skills in a physics-based simulation environment. To realistically model the snap-fit assembly process, we develop and evaluate two types of joining models: analytical models based on beam theory and rigid-body models implemented in the MuJoCo physics engine. These models enable accurate simulation of interaction forces, essential for training DRL agents. The robot skills are structured using the pitasc framework, allowing modular, reusable control strategies. Training is conducted in simulation using Soft Actor-Critic (SAC) and Twin Delayed Deep Deterministic Policy Gradient (TD3) algorithms. Domain randomization is applied to improve robustness. The trained policies are transferred to a physical UR10e robot system without additional tuning. Experimental results demonstrate high success rates (up to 100%) in both simulation and real-world settings, even under significant positional and rotational deviations. The system generalizes well to new terminal types and positions, significantly reducing manual programming effort. This work highlights the potential of combining simulation-based learning with modular robot skills for flexible, scalable automation in small-batch manufacturing. Future work will explore hybrid learning methods, automated environment parameterization, and further refinement of joining models for design integration.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI