Disassembly plays a vital role in sustainable manufacturing and recycling processes, facilitating the recovery and reuse of valuable components. However, automating disassembly, especially for flexible elements such as cables and rubber seals, poses significant challenges due to their nonlinear behavior and dynamic properties. Traditional control systems struggle to handle these tasks efficiently, requiring adaptable solutions that can operate in unstructured environments that provide online adaptation. This paper presents a reinforcement learning (RL)-based control strategy for the robotic disassembly of flexible elements. The proposed method focuses on low-level control, in which the precise manipulation of the robot is essential to minimize force and avoid damage during extraction. An adaptive reward function is tailored to account for varying material properties, ensuring robust performance across different operational scenarios. The RL-based approach is evaluated in a simulation using soft actor–critic (SAC), deep deterministic policy gradient (DDPG), and proximal policy optimization (PPO) algorithms, benchmarking their effectiveness in dynamic environments. The experimental results indicate the satisfactory performance of the robot under operational conditions, achieving an adequate success rate and force minimization. Notably, there is at least a 20% reduction in force compared to traditional planning methods. The adaptive reward function further enhances the ability of the robotic system to generalize across a range of flexible element disassembly tasks, making it a promising solution for real-world applications.
Resumen En este trabajo se presenta la propuesta de control de un brazo robótico para la manipulación de elementos flexibles. Con esta, se busca una solución de control para trayectorias de manipulación de elementos flexibles donde es necesaria la aplicación de una fuerza adecuada que asegure la integridad física del elemento manipulado. La propuesta consiste en un esquema híbrido para el control de la interacción entre el robot y su entorno, proponiendo la generación de una trayectoria teórica de referencia y su adaptación mediante un controlador de fuerza que actúa de acuerdo a las fuerzas presentes durante la ejecución de la tarea. La implementación del control se realiza utilizando el framework hybrid-planning de ROS2, la cual es validada en un entorno de simulación en los robots Franka Emika y KUKA lbr iiwa. Como resultado se consiguen trayectorias para la manipulación de elementos flexibles que reducen la fuerza aplicada sobre el elemento flexible.
La automatización de tareas de desensamblaje presenta grandes desafíos, principalmente relacionados con las caracteristicas dinámicas y no estructuradas de la tarea, en donde se necesitan acciones adaptativas para asegurar la interacción adecuada entre el robot y el entorno de la tarea. En este trabajo se propone un control basado en aprendizaje por refuerzo para la automatización de tareas de extracción de elementos flexibles mediante el uso de robots, buscando así enfrentar las dificultades de trabajar en estos entornos desestructurados y dinámicos. Para lograr eso, el control propuesto aprenderá a tomar acciones adecuadas en el movimiento del robot que llevarán a la extraction de elementos flexible a través de trayectorias de baja fuerza. Como resultado, este trabajo demuestra cómo la integración de un controlador basado en aprendizaje por refuerzo puede abordar los desafíos de la extracción de elementos flexibles, contribuyendo asi al avance de procesos de desensamblaje inteligentes mediante el uso de robots.