SI-Diff: A Framework for Learning Search and High-Precision Insertion with a Force-Domain Diffusion Policy

Technische Samenvatting: SI-Diff: Een Kader voor het Leren van Zoeken en Hoge-Precisie Invoegen met een Kracht-domein Diffusiebeleid

Probleemstelling
Contactrijke assemblage, met name pennen-in-gat-taken, staat voor aanzienlijke uitdagingen door onzekerheden in relatieve posities, zoals misaligneringen en kleine spelingen. Bestaande benaderingen behandelen de "zoek"-fase (het oplossen van grote x–y-misaligneringen) en de "hoge-precisie invoeg"-fase (het oplossen van vastlopen in kleine spelingen) doorgaans als aparte problemen die verschillende strategieën of modelwisselingen vereisen. Hoewel visuele servoing grove uitlijning kan bereiken, is de nauwkeurigheid vaak onvoldoende voor taken met sub-millimeter speling, waardoor op krachten gebaseerde methoden noodzakelijk zijn. Huidige state-of-the-art methoden zoals TacDiffusion [1] blinken uit in hoge-precisie invoegen, maar gaan ervan uit dat de pen en het gat al algemeen uitgelijnd zijn, en falen wanneer initiële misaligneringen groter zijn dan 2 mm. Omgekeerd missen zoekstrategieën vaak de aanpasbaarheid om naadloos over te gaan naar precisie-invoegen. Er is behoefte aan een unificerend kader dat in staat is om zowel onderscheidende actiepatronen te leren als uit te voeren zonder modellen of gewichten te wisselen.

Methodologie
De auteurs stellen SI-Diff voor, een kader dat zoeken en hoge-precisie invoegen verenigt binnen een enkel kracht-domein diffusiebeleid.

• Systeemarchitectuur: Het systeem maakt gebruik van een feedforward-krachtgebaseerde impedantiecontroller. Het model leert feedforward-krachten ($F_{ff}$) te genereren op basis van tactiele en kinematische waarnemingen. De input-toestand omvat externe koppel ($\tau_{ext}$), interne koppel ($\tau_{in}$) en eind-effectorsnelheden ($v_e$) van zowel de huidige als de vorige frames.
• Kracht-domein Diffusiebeleid: De kern is een Denoising Diffusion Probabilistic Model (DDPM) dat Gaussisch ruis afbeeldt op de doelverdeling van $F_{ff}$. Het model wordt getraind om de ruis te voorspellen die bij elke diffusiestap is toegevoegd, geconditioneerd op de toestand van de robot.
• Modus-conditioneringsmechanisme: Om een enkel model twee onderscheidende gedragingen (zoeken en invoegen) te laten hanteren, introduceren de auteurs een modus-conditioneringsmechanisme. Geïnspireerd door tokenisatie in natuurlijke taalverwerking, worden discrete modusindices (0 voor zoeken, 1 voor invoegen) ingebed in hoogdimensionale leerbare vectoren. Deze modustokens worden voorafgeplakt aan de reeks robot-staattokens, waardoor het diffusiemodel onderscheidende actiepatronen kan leren op basis van de gespecificeerde modusprompt.
• Lerarenbeleid:
  • Zoekleraar: Er is een nieuw op regels gebaseerd beleid ontwikkeld om diverse zoektrajecten te genereren. In tegenstelling tot vaste spiraalvormige zoekbewegingen, randomiseert dit beleid parameters (zoals zoekrichting, amplitude en frequentie) en past het zich aan op basis van externe krachten om efficiënte exploratie te waarborgen. Alleen succesvolle en efficiënte demonstraties (binnen 2,5 seconden voltooid) worden behouden voor training.
  • Invoegleraar: Het kader maakt gebruik van de zelf-adaptieve tactiele invoegmethode uit [2] (en TacDiffusion [1]) als leraar voor de invoegfase. Dit beleid detecteert "vastzittende" toestanden via monitoring van residu-krachten en past sinusvormige wiebelbewegingen toe om vastlopen te ontsnappen.
• Trainingsstrategie: Het model wordt getraind op een dataset bestaande uit 300 succesvolle zoekdemonstraties en 1.500 invoegdemonstraties. Om de klassenongelijkheid aan te pakken, wordt Balanced Batch Sampling (BBS) toegepast.

Belangrijkste Bijdragen

1. Unificerend Kader: Ontwikkeling van een nieuw kader (SI-Diff) dat zowel zoeken als hoge-precisie invoegen leert met behulp van een enkel kracht-domein diffusiebeleid, waardoor de noodzaak voor modelwisseling wordt geëlimineerd.
2. Modus-conditionering: Ontwerp van een nieuw conditioneringsmechanisme dat het model toelaat onderscheidende actiepatronen (exploratief zoeken versus precisie-wiebel) uit te voeren op basis van een modusprompt, waardoor gelijktijdig leren van beide taken mogelijk wordt.
3. Diverse Zoekleraar: Creatie van een effectief zoekleraarbeleid dat diverse, gerandomiseerde trajecten genereert, wat efficiënte datacollectie en robuust leren van koppel-actie-mappings faciliteert.

Experimentele Resultaten
Experimenten werden uitgevoerd met een 7-DoF Franka Emika-robot met een kubusvormige pen met 0,1 mm speling voor training. De methode werd geëvalueerd tegen TacDiffusion [1], op regels gebaseerde varianten (Teacher-D, Teacher-R) en FORGE [3] over negen vormen (inclusief ongezonde geometrieën zoals hexagonale/prisma, cilinder en USB-A-connectoren) en misaligneringsniveaus variërend van 2 mm tot 5 mm.

• Tolerantie voor Misalignering: SI-Diff breidde de tolerantie voor x–y-misalignering uit van 2 mm (de limiet van TacDiffusion) tot 5 mm.
• Succespercentages: Op de trainingskubus-vorm bereikte SI-Diff een succespercentage van 95,8% over alle misaligneringsniveaus, wat significant beter was dan TacDiffusion (29,1%) en andere baselines. Het behield hoge succespercentages (90%–97%) op ongezonde vormen, inclusief complexe geometrieën zoals driehoekige en vijfhoekige prisma's.
• Efficiëntie: SI-Diff toonde superieure efficiëntie, met de laagste gemiddelde uitvoertijden (zowel inclusief als exclusief mislukkingen) in vergelijking met concurrenten.
• Zero-Shot Transfer: Het model, getraind op een enkele kubusvorm, toonde robuuste zero-shotoverdraagbaarheid naar ongezonde vormen zonder hertraining.
• Kwalitatief Gedrag: Het model leerde zijn zoekstrategie dynamisch aan te passen, met variërende amplitudes en frequenties die afnamen naarmate de uitlijning verbeterde, in tegenstelling tot de vaste patronen van het leraarbeleid.

Betekenis en Claims
Het artikel claimt dat SI-Diff de technologische kloof tussen zoek- en invoegstrategieën overbrugt en een meer geïntegreerde oplossing biedt voor intelligente assemblagesystemen. Door te leren van succesvolle en efficiënte demonstraties die worden geleverd door het nieuwe leraarbeleid, overtreft het model zowel het leraarbeleid als de state-of-the-art baseline (TacDiffusion) wat betreft succespercentage en efficiëntie. De primaire betekenis ligt in het vermogen om grotere initiële misaligneringen (tot 5 mm) te hanteren terwijl hoge-precisie invoegcapaciteiten binnen een enkel kader worden behouden, waardoor de engineeringcomplexiteit wordt verminderd en integratie in real-world industriële toepassingen wordt vergemakkelijkt. De auteurs merken op dat hoewel de methode robuust is, moduswisseling momenteel wordt getriggerd door z-verplaatsing in plaats van geleerde tactiele signalen, en dat de reikwijdte beperkt is tot x–y-misalignering en invoegen met kleine speling.