ロボット分解工程全体で共有するモジュール式固定レイアウトの計画

本論文は、ロボットによる不規則形状製品の分解作業において、分解工程全体を通して安定した支持を提供する、モジュール式真空ベースの固定システムを提案する。分解の各段階で部品が取り外されるにつれて支持面や質量分布、タスク負荷が変化するため、単一のワーク状態に最適化された固定レイアウトは後段で実行不能になり得る。そこで、分解シーケンス全体で共有可能な単一の支持レイアウトを計画する手法を開発した。具体的には、スクリュードライバーとシェーバーの完全な分解シーケンスに対して、再構成なしで使用できる共有レイアウトを計画する。

従来の固定レイアウト計画は単一のワーク状態を対象とすることが多く、分解のように状態が変化するプロセスには適用できなかった。本研究は、分解シーケンス全体を考慮した共有レイアウトを計画する点で新規性が高い。また、混合連続離散空間の探索にdenoising diffusion probabilistic modelとBayesian optimizationを組み合わせ、物理情報に基づく初期解を生成して効率的に最適化する点も独自性がある。

手法の核心は、分解シーケンス全体にわたる共有レイアウトを探索するために、denoising diffusion probabilistic modelを用いて物理的に妥当な初期レイアウトを生成し、それをBayesian optimizationで洗練することにある。これにより、繰り返しのクロスステージ評価を伴う混合連続離散空間の探索を効率化している。固定システムはモジュール式の真空ベースで構成される。

有効性は、スクリュードライバーとシェーバーの実際のロボット分解実験で検証された。計画されたレイアウトで分解が実行可能であることを確認し、さらに11方向の荷重試験により安定性を定量化した。測定された実稼働荷重と方向応答の比較から、スクリュードライバーで平均安定マージン66.9%、シェーバーで81.6%を得た。

要旨からは、提案手法の限界や他の製品への一般化可能性、真空固定の適用条件などについての議論は不明である。また、安定マージンの定義や試験条件の詳細も要旨には含まれていない。

要旨で参照されている関連研究は明示されていないが、同分野の定番として、fixture layout optimization、robotic disassembly planning、Bayesian optimization、denoising diffusion probabilistic modelに関する論文が挙げられる。