Behavioral Cloning for Robotic Connector Assembly: An Empirical Study

Resumen Técnico: Clonación Conductual para el Ensamblaje de Conectores Robóticos

1. Planteamiento del Problema

La automatización del ensamblaje de arneses de cables en la industria automotriz, eléctrica y aeroespacial es un desafío significativo debido a:

• Deformabilidad: Los cables son flexibles y sus configuraciones varían.
• Geometría variable: Existe una alta diversidad en los tipos de conectores.
• Tolerancias estrictas: La inserción requiere contacto rico y fuerzas limitadas para evitar daños, con variaciones significativas en la pose del conector.
• Limitaciones actuales: Los enfoques robóticos actuales basados en reglas (búsquedas en espiral o de pasos) dependen de parámetros definidos por expertos, son iterativos, lentos de ajustar y poco adaptables a nuevas geometrías. Además, la estimación exacta de la pose a menudo es imposible debido a las tolerancias de las piezas y el ruido de los sensores.

El objetivo es desarrollar un sistema que imite la capacidad humana de combinar retroalimentación visual y háptica para insertar conectores de manera adaptable, sin depender de una estimación de pose perfecta ni de la sintonización manual de parámetros.

2. Metodología

El trabajo propone un enfoque de Aprendizaje por Imitación (IL) utilizando Clonación Conductual (BC). El sistema aprende una política para predecir comandos de control (fuerza y torque) basándose en observaciones históricas.

• Formulación del Problema:

  • Se modela como un problema de control donde el objetivo es predecir un torque objetivo ($\hat{w}_{t+1}$) para el siguiente paso de tiempo.
  • La predicción se basa en un historial de $k$ pasos anteriores de imágenes de cámara y datos de sensores de fuerza-torque ($w_t$).
  • La función de pérdida minimiza el error cuadrático medio (MSE) entre la acción predicha y la demostrada por un humano.
  • Se explora la predicción de secuencias de acciones (horizonte $h$) para mitigar errores acumulativos, aunque en la ejecución solo se aplica el primer paso (similar al Control Predictivo por Modelo - MPC).

• Arquitectura de la Red Neuronal:

  • Backbone de Visión: Utiliza redes preentrenadas (CNNs como ResNet, RegNet, EfficientNet o Transformers como ViT, Swin) procesando imágenes monocromáticas en escala de grises (224x224).
  • Backbone de Sensores: Procesa series temporales de fuerza y torque. Se evaluaron: Redes Feedforward, LSTM, 1D-CNN y ROCKET.
  • Cabeza de Acción: Mapea las características fusionadas a un vector de acción de 6 dimensiones (fuerza y torque en 3 ejes). Se compararon redes Feedforward y arquitecturas Transformer (Encoder y Encoder-Decoder).

• Configuración Experimental:

  • Robot: UR5e con pinza Robotiq Hand-E y sensor de fuerza-torque integrado.
  • Sensor Visual: Webcam Logitech VGA (fija).
  • Recolección de Datos: Un operador humano realiza inserciones mediante un SpaceMouse (teleoperación) bajo diversas poses iniciales. Se aplican aumentos de datos (brillo/contraste) y oscilaciones sinusoidales para reducir la fricción.
  • Conjuntos de Datos: Se generaron demostraciones en una cuadrícula de tolerancia (hasta 20 mm de traslación y 10° de rotación). Se evaluaron diferentes tamaños de conjuntos de entrenamiento (de 10 a 300 demostraciones).

3. Contribuciones Clave

1. Aplicación de BC a la Inserción de Conectores: Primera aplicación sistemática de clonación conductual para este dominio específico, fusionando visión y fuerza-torque sin datos de pose explícitos.
2. Análisis Empírico de Arquitecturas: Estudio comparativo exhaustivo de múltiples arquitecturas de redes neuronales (CNN vs. Transformers) y componentes (backbones de sensor, cabezas de acción).
3. Validación en Múltiples Geometrías: Evaluación exitosa en cinco conectores automotrices diferentes con variaciones de tolerancia significativas.
4. Análisis de Tolerancia: Demostración de que el sistema puede operar con tolerancias de hasta 20 mm y 10°, superando en un orden de magnitud las capacidades típicas de los sistemas basados en reglas (que suelen operar en rangos de ~2 mm).

4. Resultados Principales

• Rendimiento General: El sistema alcanzó una tasa de éxito global superior al 90% (promedio de 92.8%) en cinco geometrías de conectores diferentes.
• Selección de Arquitectura:
  • Visión: La red RegNetx3 2GF obtuvo el mejor rendimiento (93.3% de éxito). Curiosamente, las arquitecturas basadas en Transformers (ViT, Swin) tuvieron un rendimiento muy pobre (<14%), sugiriendo que las CNNs son más adecuadas para este tamaño de conjunto de datos y tarea específica.
  • Sensores: Una red Feedforward simple superó a LSTM, 1D-CNN y ROCKET en tasa de éxito, aunque LSTM tuvo el menor MSE (lo que confirma que un bajo MSE no garantiza un alto éxito en la tarea).
  • Cabeza de Acción: La red Feedforward superó a las variantes Transformer.
• Parámetros Temporales:
  • Longitud del Historial ($k$): Existe una correlación positiva; un historial más largo ($k=10$) mejora drásticamente el éxito al permitir que la red aprenda movimientos de "oscilación" (wiggling) necesarios para desatascar el conector. Con $k=1$, el robot a menudo se quedaba estático.
  • Horizonte de Predicción ($h$): No hubo diferencias significativas entre $h=1$ y $h=10$, pero se adoptó $h=10$ por consistencia con trabajos previos.
• Cantidad de Datos:
  • Se observó una correlación positiva entre el número de demostraciones y la tasa de éxito.
  • Con 300 demostraciones, el sistema alcanzó un 100% de éxito en las pruebas de validación (90 ensayos).
  • El sistema supera a las estrategias de búsqueda basadas en reglas (76.7% de éxito) con solo 200 demostraciones.
• Tiempo de Ejecución: El enfoque BC es solo un 9.55% más lento que la inserción humana (aprox. 0.66 segundos más), manteniéndose dentro de los límites operativos.
• Robustez: El sistema no dañó ningún conector gracias al control de fuerza. Los fallos principales fueron atascos en los bordes o pérdida total del conector.

5. Significado y Conclusión

Este estudio demuestra que la Clonación Conductual es una estrategia viable y altamente efectiva para automatizar tareas de inserción de conectores complejas y de contacto rico.

• Ventajas sobre métodos existentes: Elimina la necesidad de sintonización manual de parámetros y estimación de pose de alta precisión, reduciendo costos y tiempo de implementación.
• Eficiencia de Datos: Logra un rendimiento industrial (>90%) con solo 300 demostraciones, una fracción mínima comparada con los cientos de miles de datos requeridos por modelos grandes como RT-1 o ALOHA.
• Limitaciones y Futuro: El método no es "zero-shot" (requiere demostraciones por tipo de conector) y aún no alcanza el 100% de fiabilidad requerido para automatización industrial crítica. Se sugiere que este enfoque sirva como una inicialización robusta para un ajuste fino posterior mediante Aprendizaje por Refuerzo (RL).

En resumen, el trabajo valida que la fusión de visión monocromática y sensores de fuerza mediante redes neuronales convolucionales simples puede replicar estrategias humanas de inserción con alta precisión y adaptabilidad, ofreciendo una solución práctica para la automatización en la industria automotriz.