Stage-Aware and Roughness-Constrained Diffusion Policy for Multi-Stage Robotic Polishing

Technische Samenvatting: Stage-Aware en Roughness-Constrained Diffusion Policy voor Multi-Stage Robotisch Polijsten

1. Probleemstelling

Robotisch polijsten is een cruciaal afwerkingsproces in hoogwaardige productiesectoren zoals de lucht- en ruimtevaart, waar de oppervlaktekwaliteit direct de betrouwbaarheid van componenten bepaक्ट. Het automatiseren van deze taken vormt echter twee primaire uitdagingen die bestaande methoden voor imitatie-leren moeilijk tegelijkertijd kunnen aanpakken:

1. Long-Horizon Process-Stage Onzekerheid: Polijstworkflows bestaan uit meerdere onderscheidende stadia (bijv. stabilisatie, randpolijsten, oppervlakteafwerking, reiniging) die vaak visueel vergelijkbare lokale toestanden vertonen, maar fundamenteel verschillende controle-objectieven en actiepatronen vereisen. Bestaande methoden vertrouwen vaak op expliciete taakdecompositie of high-level planning prompts, wat mogelijk niet volstaat om latente processtadia in real-time af te leiden uit multimodale historieën.
2. Ongecontroleerde Process-Parameter Drift: In diffusion-gebaseerde policies kan de stochastische aard van het denoising-proces leiden tot ongecontroleerde variaties in gekoppelde procesparameters (voedingssnelheid en normale contactkracht). Aangezien deze parameters gezamenlijk de materiaalafname en oppervlakte-ruwheid bepalen, kan dergelijke drift resulteren in fysiek onhaalbare combinaties, instabiel contact of inconsistente oppervlaktekwaliteit (bijv. onderpolijsten of randen wegvijlen), vooral wanneer de spindelsnelheden per stadium vooraf zijn ingesteld.

De huidige literatuur mist een verenigd framework dat zowel latente stage-inferentie uit observatie-historieën als ruwheid-gestuurde fysieke restricties binnen hoog-dimensionale generatieve policies gezamenlijk afhandelt.

2. Methodologie: Het SRDP-framework

De auteurs stellen het Stage-Aware and Roughness-Constrained Diffusion Policy (SRDP) voor, een verenigd framework dat is ontworpen om multi-stage polijstvaardigheden te leren van demonstraties, terwijl het zich houdt aan procesrestricties. Het framework werkt via twee onderling verbonden mechanismen:

A. Stage-Conditioned Action Diffusion
Om stage-onzekerheid aan te pakken, introduceert SRDP een stage inference netwerk dat multimodale observatie-historieën (visuele beelden, robottoestanden, contactkrachten en tool modes) verwerkt om een posterior waarschijnlijkheidsverdeling over het huidige processtadium af te leiden.

• Stage Inference: Een netwerk $g_\phi$ brengt de observatie-historie $O_t$ in kaart naar een stage posterior $z_t$.
• Conditioned Denoising: Deze posterior wordt gecodeerd in een stage condition vector $e_t$, die wordt geïnjecteerd in het gedeelde reverse denoising netwerk. Dit stelt de policy in staat om actiesequenties te genereren die consistent zijn met het afgeleide huidige stadium zonder dat externe stage-labels nodig zijn tijdens de uitvoering.
• Transition Consistency: Om vloeiende overgangen tussen stadia te garanderen, wordt een stage-transition consistency prior geïntroduceerd. Deze gebruikt een transitie-matrix $T$ (afgeleid van procesflow-kennis of data) om de stage inference te regulariseren, waarbij abrupte of onlogische stage-veranderingen worden bestraft via een soft-label cross-entropy loss.

B. Roughness-Constrained Diffusion Sampling
Om parameter-drift aan te pakken, embedt SRDP fysieke en kwalitatieve restricties direct in het diffusion sampling proces.

• Roughness-Oriented Modeling: Een empirisch power-law model voorspelt de oppervlakte-ruwheid ($R_a$) op basis van de normale kracht ($F_n$), de voedingssnelheid ($v$) en de per stadium vooraf ingestelde spindelsnelheid ($\omega$). Het model wordt offline gekalibreerd met behulp van experimentele data.
• Constraint Sets: Er worden twee sets gedefinieerd voor de parameterruimte:
  1. Roughness-Consistency Set ($\Omega_R$): Zorgt ervoor dat de gekoppelde relatie tussen $F_n$ en $v$ voldoet aan de doelstelling voor ruwheid binnen een tolerantieband.
  2. Physical-Feasibility Set ($\Omega_P$): Handhaaft grenzen op kracht/snelheid-limieten en temporele continuïteit (veranderingssnelheid) om de uitvoerbaarheid door de robot te garanderen.
• Guided Sampling: Tijdens de reverse denoising stappen minimaliseert de policy een constraint energy functie die bestaat uit roughness-consistency energie en physical-feasibility energie. Een "roughness-dominant" soft guidance strategie wordt toegepast in de vroege/middelste noise-stadia om samples naar de haalbare regio te sturen, gevolgd door een minimum-modificatie projectie in de laatste stappen om te garanderen dat de output strikt binnen de gezamenlijke haalbare set $\Omega_t = \Omega_R \cap \Omega_P$ valt.

3. Belangrijkste Bijdragen

Het artikel claimt de volgende bijdragen:

1. Verenigd Framework: De voorstel van SRDP, dat stage-inferentie uit multimodale historieën integreert met gedeelde reverse denoising om stage-consistente actiegeneratie mogelijk te maken zonder externe stage-labels.
2. Process-Constrained Sampling: De ontwikkeling van een roughness-georiënteerde constraint-guided diffusion sampling methode die voedingssnelheid en normale contactkracht genereert die voldoen aan zowel de oppervlaktekwaliteitseisen als de fysieke haalbaarheid onder vooraf ingestelde spindelsnelheden.
3. Empirische Validatie: Uitgebreide evaluatie door middel van vergelijkende experimenten, ablatie-studies en real-robot validaties in twee complexe scenario's: het polijsten van een coating-oppervlak van een ruimtevaartcabine en het afwerken van een binnenholte-structuur.

4. Experimentele Resultaten

Experimenten werden uitgevoerd op een dual-arm robotplatform (twee KUKA iiwa14 robots) die twee verschillende taken uitvoerden:

• Coating-Surface Polishing: Bevat stabilisatie, vierkant/circulair gat polijsten en vacuüm reinigen.
• Inner-Cavity Finishing: Bevat coöperatieve transport, stabilisatie, chamfer (afschuining) verfijning en assemblage-oppervlakte afwerking.

Prestatie-metrieken:

• Taaksucces: SRDP bereikte de hoogste gemiddelde subtaak succesratio's (0.94 voor coating, 0.91 voor binnenholte) en transitie succesratio's (0.88 en 0.83, respectievelijk), waarmee het significant presteerde ten opzichte van baselines zoals standaard Diffusion Policy (DP), Hierarchical Imitation Learning (HIL) en Adaptive Compliance Policy (ACP).
• Foutanalyse: SRDP verminderde de twee dominante foutmodi aanzienlijk:
  • Stage-Switching Failures (STF): Verminderd tot ~21-24% vergeleken met >50% in baselines zonder expliciete stage modellering.
  • Process-Parameter Failures (PPF): Verminderd tot ~9.5-10.5% vergeleken met hogere ratio's in methoden zonder roughness restricties.
• Oppervlaktekwaliteit: SRDP demonstreerde lagere en stabielere oppervlakte-ruwheidswaarden en meer consistente chamfer breedtes vergeleken met ACP, wat de effectiviteit van de roughness-constrained sampling valideert.

Ablatie-studies:
Het verwijderen van stage conditioning leidde tot een instorting van de transitie-succes (gedomineerd door STF). Het verwijderen van roughness constraints behield de stage transities maar veroorzaakte een significante daling in subtaak succes door parameter mismatch (gedomineerd door PPF). Het verwijderen van feasibility constraints verhoogde primair de contactinstabiliteit. Dit bevestigt dat de volledige SRDP architectuur noodzakelijk is om beide foutmodi simultaan te onderdrukken.

5. Betekenis en Claims

De auteurs stellen dat SRDP een belangrijke stap voorwaarts vertegenwoordigt bij het toepassen van generatieve policies op complexe, multi-stage fabricageprocessen. De betekenis ligt in:

• Overbruggen van de Kloof: Het biedt een verenigde oplossing voor de gelijktijdige problemen van latente stage onzekerheid en ongecontroleerde parameter drift, die voorheen apart of helemaal niet werden aangepakt in hoog-dimensionale generatieve policies.
• Fysieke Geloofwaardigheid: Door roughness-gestuurde restricties direct in het diffusion sampling proces te embedden, zorgt de methode ervoor dat gegenereerde acties niet alleen semantisch correct zijn voor de taak-stage, maar ook fysiek haalbaar en kwaliteit-conform zijn.
• Generaliseerbaarheid: Hoewel gedemonstreerd op polijsten, suggereren de auteurs dat de formulering dient als een algemeen mechanisme voor het integreren van stage-afhankelijke objectieven en fysieke restricties in generatieve robotische policies, potentieel toepasbaar op slijpen, boren en frezen.

De auteurs concluderen dat SRDP de taakprestaties, parameterstabiliteit en uiteindelijke oppervlaktekwaliteit verbetert, en een robuust framework biedt voor autonome uitvoering in precisie-fabricage omgevingen.