Mobile robotic rebar cage assembly via imitation learning
Notice bibliographique
Résumé
Manipulation remains a key bottleneck in achieving fully autonomous rebar cage assembly. Existing solutions based on rail-guided systems are expensive, poorly scalable, and limited in capability. This paper introduces a framework that leverages a mobile manipulator and uses visual servoing together with imitation learning (IL) to address complex rebar manipulation tasks. The framework enables autonomous execution of two challenging manipulation tasks: (a) tight-fit rebar slot insertion and (b) rebar tying at complex intersection nodes within cages. Using only low-cost RGB cameras, the proposed approach achieves over 90% success rate for over 20 rollouts on both tasks. A highlight is the integration of a segmentation module and a reinsertion strategy that improves tight-fit insertion performance by 41.7% over the baseline and significantly improves robustness to background changes. Notably, the system requires neither depth sensors nor explicit geometric modeling, and supports rapid deployment in novel environments. This paper establishes a foundation for extending autonomy to broader rebar manipulation scenarios. Qualitative results are available on the project website 1 1 https://rebarbot.github.io . . • Integrates imitation learning and visual servoing for autonomous rebar cage assembly. • Achieves the first tight-fit insertion of rebars into assembly slots. • Enables rebar tying at complex intersection nodes with only RGB cameras. • Improves success rate and robustness over a baseline imitation learning rebar policy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».