Installation or even just modification of robot-supported production and quality inspection is a tedious process that usually requires full-time human expert engagement. The resulting parameters, e.g. robot velocities specified by an expert, are often subjective and produce suboptimal results. In this paper, we propose a new approach for specifying visual inspection trajectories based on CAD models of workpieces to be inspected. The expert involvement is required only to select – in a CAD system – the desired points on the inspection path along which the robot should move the camera. The rest of the approach is fully automatic. From the selected path data, the system computes temporal parametrization of the path, which ensures smoothness of the resulting robot trajectory for visual inspection. We then apply a new learning method for the optimization of robot speed along the specified path. The proposed approach combines iterative learning control and reinforcement learning. It takes a numerical estimate of image quality as input and produces the fastest possible motion that does not result in the degradation of image quality as output. In our experiments, the algorithm achieved up to 53% cycle time reduction from an initial, manually specified motion, without degrading the image quality. We show experimentally that the proposed algorithm achieves better results compared to some other policy learning approaches. The described approach is general and can be used with different types of learning and feedback signals.

安装甚至只是修改机器人支持的生产和质量检查是一个乏味的过程，通常需要全职的人类专家参与。结果参数，例如由专家指定的机器人速度，通常是主观的并且产生次优结果。在本文中，我们提出了一种基于待检测工件的 CAD 模型来指定目视检测轨迹的新方法。仅需要专家参与在 CAD 系统中选择机器人应沿其移动相机的检测路径上的所需点。该方法的其余部分是全自动的。根据选定的路径数据，系统计算路径的时间参数化，以确保生成的机器人轨迹的平滑性，以进行目视检查。然后我们应用一种新的学习方法来优化机器人沿指定路径的速度。所提出的方法结合了迭代学习控制和强化学习。它将图像质量的数值估计作为输入，并产生尽可能快的运动，而不会导致图像质量下降作为输出。在我们的实验中，该算法从最初的、手动指定的运动中实现了高达 53% 的周期时间减少，而不会降低图像质量。我们通过实验表明，与其他一些策略学习方法相比，所提出的算法取得了更好的结果。所描述的方法是通用的，可以用于不同类型的学习和反馈信号。所提出的方法结合了迭代学习控制和强化学习。它将图像质量的数值估计作为输入，并产生尽可能快的运动，而不会导致图像质量下降作为输出。在我们的实验中，该算法从最初的、手动指定的运动中实现了高达 53% 的周期时间减少，而不会降低图像质量。我们通过实验表明，与其他一些策略学习方法相比，所提出的算法取得了更好的结果。所描述的方法是通用的，可以用于不同类型的学习和反馈信号。所提出的方法结合了迭代学习控制和强化学习。它以图像质量的数值估计作为输入，并产生尽可能快的运动，而不会导致图像质量下降作为输出。在我们的实验中，该算法从最初的、手动指定的运动中实现了高达 53% 的周期时间减少，而不会降低图像质量。我们通过实验表明，与其他一些策略学习方法相比，所提出的算法取得了更好的结果。所描述的方法是通用的，可以用于不同类型的学习和反馈信号。该算法从最初的、手动指定的运动中实现了高达 53% 的周期时间减少，而不会降低图像质量。我们通过实验表明，与其他一些策略学习方法相比，所提出的算法取得了更好的结果。所描述的方法是通用的，可以用于不同类型的学习和反馈信号。该算法从最初的、手动指定的运动中实现了高达 53% 的周期时间减少，而不会降低图像质量。我们通过实验表明，与其他一些策略学习方法相比，所提出的算法取得了更好的结果。所描述的方法是通用的，可以用于不同类型的学习和反馈信号。