Peg-in-hole insertion

Aussi appelé: peg insertion, peg-hole assembly
Catégorie: Planning & manipulation › Manipulation
Mots-clés: assembly, contact-rich-manipulation, force-control, compliance, benchmark

Insertion d'une pièce dans un trou ajusté ; la référence standard pour l'assemblage riche en contacts, où le jeu est souvent inférieur à l'erreur de positionnement du robot.

Définition

L'insertion cheville-trou (peg-in-hole insertion) est la tâche d'assemblage qui consiste à enfoncer une pièce, la cheville, dans un élément complémentaire, le trou, avec un faible jeu entre les deux. Elle représente une large part des opérations d'assemblage réelles : arbres dans des roulements, goupilles dans des alésages, connecteurs dans des prises et éléments de fixation dans des trous. Parce que la tâche est facile à énoncer mais difficile à réaliser de façon fiable, elle sert depuis des décennies de test de référence pour l'assemblage robotisé et la commande en effort.

La difficulté tient au fait que les jeux sont généralement plus faibles que l'erreur combinée du positionnement, de l'étalonnage et de la perception du robot. Un robot commandé uniquement en position et légèrement décalé manque le trou ou appuie fortement contre son bord. Une insertion fiable exploite donc le contact : le robot avance jusqu'à toucher, utilise les forces et moments mesurés pour en déduire son désalignement, et corrige. L'analyse quasi statique classique, notamment celle de Daniel Whitney, décrit les deux principaux modes de défaillance. Le coincement (jamming) survient lorsque les forces et moments appliqués à la cheville ne sont pas dans la bonne proportion pour la faire avancer ; l'arc-boutement (wedging) survient lorsque la cheville touche le trou en deux points et que le frottement la bloque en place. Des chanfreins sur la cheville ou le trou et une compliance au poignet aident à guider la cheville. Le dispositif de compliance à centre déporté, mis au point au Charles Stark Draper Laboratory, est un poignet passif qui place son centre de compliance près de l'extrémité de la cheville, de sorte que les forces de contact corrigent d'elles-mêmes les erreurs latérales et angulaires.

Une stratégie active typique découpe la tâche en phases : approche ; recherche du trou par un mouvement en spirale ou incliné en appuyant légèrement sur la surface ; alignement une fois la cheville partiellement tombée dans le trou ; et insertion sous commande en effort ou en impédance en surveillant les coincements. La vision assure généralement l'alignement grossier et la mesure d'effort la dernière fraction de millimètre. Les méthodes par apprentissage, dont l'apprentissage par renforcement et les politiques résiduelles ajoutées à un contrôleur conçu à la main, sont souvent évaluées sur la tâche cheville-trou, tout comme les méthodes au niveau de la catégorie qui doivent insérer des pièces de formes variées sans modèle de chacune. Les connecteurs et les pièces à encliquetage au jeu quasi nul ajoutent la nécessité de forcer à travers un serrage tout en restant aligné.

Pourquoi c'est important

L'insertion est l'une des opérations les plus courantes de l'assemblage et l'une des plus difficiles à automatiser sans montages et étalonnage précis. Les méthodes qui la réalisent de façon fiable dans l'incertitude sont une étape clé vers des cellules d'assemblage flexibles capables de changer de pièces sans être reconçues.

Applications principales

Montage de goupilles, d'arbres et de roulements en assemblage mécanique
Branchement de câbles et de connecteurs en assemblage électronique et pour la recharge
Évaluation comparative de la commande en effort et des méthodes d'apprentissage riches en contacts
Insertion d'éléments de fixation et de vis
Manipulation au niveau de la catégorie avec une géométrie de pièce variable

En pratique

Un intégrateur qui automatise l'emmanchement de goupilles d'acier dans des alésages usinés dispose d'un robot dont l'erreur de positionnement après étalonnage dépasse le jeu de l'alésage. Plutôt que de courir après davantage de précision, il monte un capteur de force/couple six axes au poignet et utilise un contrôleur d'impédance à faible raideur latérale. Une caméra localise la pièce à quelques millimètres près. Le robot approche au-dessus du trou, appuie légèrement et décrit une petite spirale ; lorsque la force verticale chute et que le moment mesuré montre que la goupille commence à entrer, il passe à une phase d'insertion qui pousse vers le bas tout en laissant le poignet se déporter latéralement. Si la force axiale dépasse un seuil avant que la profondeur visée soit atteinte, le contrôleur le traite comme un coincement, recule légèrement et réessaie avec une petite correction d'inclinaison fondée sur les moments mesurés.

Idées reçues

Un meilleur étalonnage rend la mesure d'effort inutile — les jeux serrés sont généralement inférieurs à ce qu'un robot et une caméra standard peuvent atteindre, donc une correction par le contact reste nécessaire
Pousser plus fort libère une cheville bloquée — le coincement et l'arc-boutement viennent de la direction des forces et du frottement aux contacts, et un effort supplémentaire les aggrave généralement
La tâche cheville-trou est un problème jouet résolu — la géométrie simple cache de vraies difficultés avec les jeux serrés, les pièces souples, les matériaux variés et les formes de pièces inconnues
La compliance doit venir du contrôleur — la compliance passive du poignet, les chanfreins sur les pièces et la conception des montages peuvent faire une grande partie du travail sans commande en effort active

Qui devrait le savoir

Ingénieurs en assemblage et en automatisation
Chercheurs en commande en effort et en manipulation
Chercheurs en apprentissage robotique travaillant sur les tâches riches en contacts
Concepteurs de pièces et de montages pour l'assemblage automatisé

Technologies associées

Dispositif de compliance à centre déporté
Capteur de force/couple six axes (Six-Axis Force-Torque Sensor)
Stratégies de recherche en spirale
Apprentissage par renforcement riche en contacts (Contact-Rich Reinforcement Learning)
Conception de pièces chanfreinées

Termes associés

Projets associés

MuJoCo: DeepMind physics engine for robotics and ML research
ManiSkill: GPU-parallelized simulation for generalizable manipulation skills
robosuite: Modular MuJoCo simulation framework for robot learning research
LIBERO: Lifelong robot learning benchmark with 130 procedural tasks
Gymnasium-Robotics: Robotics RL benchmark environments for Gymnasium, from the Farama Foundation
MetaWorld: Multi-task and meta RL benchmark for robotic manipulation