Contenido principal del artículo

Benjamin Tapia Sal Paz
IKERLAN
España
Gorka Sorrosal
IKERLAN
España
Aitziber Mancisidor
Universidad del País Vasco (UPV/EHU)
España
Itziar Cabanes
Universidad del País Vasco (UPV/EHU)
España
Núm. 45 (2024), Robótica
DOI: https://doi.org/10.17979/ja-cea.2024.45.10927
Recibido: jun. 5, 2024 Aceptado: jul. 3, 2024 Publicado: jul. 19, 2024
Derechos de autor

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.

Detalles del artículo

Citas

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