Predict the Swing, Match the Speed: Robotic Pipe Stabbing With Learned Stereo Vision and Residual Reinforcement Learning
作者: Mohamed Ashraf Mostafa, Taher El-Fakharany, Samir Khaled
分类: cs.RO
发布日期: 2026-10-27
备注: 18 pages, 9 figures, 9 tables. Submitted to Geoenergy Science and Engineering
💡 一句话要点
提出StabBot以解决管道刺入过程中的速度匹配问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 机器人技术 管道刺入 强化学习 立体视觉 自动化施工
📋 核心要点
- 现有的管道刺入方法在速度匹配和精确定位方面存在不足，导致效率低下和力的过大。
- 论文提出的StabBot系统通过学习立体视觉和残差强化学习来预测管道摆动并匹配速度，提升了刺入精度。
- 在200个实验任务中，StabBot成功率达到100%，接触速度和峰值力显著降低，展示了其优越的性能。
📝 摘要（中文）
本文介绍了一种名为StabBot的机器人刺入系统，该系统能够预测管道的摆动并以匹配的速度进行刺入。通过使用调优的摆动卡尔曼滤波器和ResNet-18关键点网络，StabBot能够在三维空间中准确定位管道、销钉和箱口，并通过残差强化学习策略优化捕捉过程。实验结果显示，StabBot在200个随机任务中实现了100%的成功率，显著降低了接触速度和峰值力，展示了其在管道刺入中的优越性能。
🔬 方法详解
问题定义：本文旨在解决管道刺入过程中，管道摆动速度与机器人刺入速度不匹配的问题。现有方法依赖固定导向，导致效率低下和力过大。
核心思路：StabBot通过预测管道的摆动并以匹配的速度进行刺入，利用立体视觉和强化学习技术来优化捕捉过程。
技术框架：系统主要包括三个模块：摆动卡尔曼滤波器用于跟踪管道，ResNet-18网络用于三维定位，残差强化学习策略用于优化刺入过程。
关键创新：最重要的创新在于结合了立体视觉与强化学习，使机器人能够在动态环境中实时调整速度，显著提高了刺入精度和效率。
关键设计：使用了调优的卡尔曼滤波器来跟踪管道，ResNet-18网络实现了0.4毫米的定位误差，且在多种噪声和延迟条件下保持100%成功率。
🖼️ 关键图片
📊 实验亮点
实验结果显示，StabBot在200个随机任务中实现了100%的成功率，接触速度从18.4 cm/s降至2.3 cm/s，峰值力从11.3 kN降至1.4 kN，且在所有实验中力均低于传统固定导向的74%。
🎯 应用场景
该研究具有广泛的应用潜力，尤其在石油和天然气行业的管道安装和维护中。通过提高刺入精度和降低接触力，StabBot可以减少设备损坏和提高作业安全性，未来可能扩展到其他自动化施工领域。
📄 摘要（原文）
A joint of pipe run into the hole swings from the elevator over the well and strikes a fixed stabbing guide at whatever speed the swing has. StabBot, a robotic stabbing system, predicts the swing and meets the pipe at its own speed. A pendulum Kalman filter tuned from the pipe tally tracks the joint in stereo images. A six-axis arm with an open V-shaped roller head closes in at matched velocity, confirms the last millimetres by touch, aims the pin over the box when the elevator hangs off centre, and follows the block down with lateral compliance. A ResNet-18 keypoint network locates the pipe, pin nose and box mouth in 3-D, and a residual reinforcement-learning policy refines the capture. On 200 paired random jobs with nine sizes from 2-3/8-in. tubing to 20-in. casing, StabBot seated every joint with the pipe touching only rollers, against 74% for a conventional fixed guide. Median contact speed fell from 18.4 to 2.3 cm/s and median peak head-pipe force from 11.3 to 1.4 kN, and the force was lower in all 200 jobs (Wilcoxon $p < 10^{-30}$). The network locates the pipe with 0.4-mm median error in 2.3 ms per stereo pair. With the network in the loop, success stayed at 100% under 20 mm of added noise, 300-ms delay, 85% frame loss, 20-mm calibration offset, 20-cm elevator offset and 40-cm swings. All results come from a 1:4 Froude-scaled MuJoCo model and are reported at full scale.