An Active Learning Based Robot Kinematic Calibration Framework Using Gaussian Processes

要約

氷の月への将来の NASA 着陸ミッションでは、着陸船の近くの氷の地形をサンプリングするロボット マニピュレーター アームに対して、完全に自動化された、正確でデータ効率の良いキャリブレーション方法が必要になります。
この必要性をサポートするために、このペーパーでは、古典的なマニピュレーターのキネマティック キャリブレーション プロセスに対するガウス プロセス (GP) アプローチを紹介します。
Denavit-Hartenberg 運動学的パラメーターの修正されたセットを識別する代わりに、一連の GP が、ワークスペース上のアームの残留運動学的誤差をモデル化します。
さらに重要なことは、このモデリング フレームワークにより、Gaussian Process Upper Confident Bound (GP-UCB) アルゴリズムが、キャリブレーションの測定ポイントを効率的かつ適応的に選択して、実験の数を最小限に抑え、再キャリブレーションに必要な時間を最小限に抑えることができます。
この方法は、単純な 2-DOF アーム、ジオメトリが将来の NASA ミッションの候補となる 6 DOF アーム、および 7 DOF Barrett WAM アームのシミュレーションで実証されています。

要約(オリジナル)

Future NASA lander missions to icy moons will require completely automated, accurate, and data efficient calibration methods for the robot manipulator arms that sample icy terrains in the lander’s vicinity. To support this need, this paper presents a Gaussian Process (GP) approach to the classical manipulator kinematic calibration process. Instead of identifying a corrected set of Denavit-Hartenberg kinematic parameters, a set of GPs models the residual kinematic error of the arm over the workspace. More importantly, this modeling framework allows a Gaussian Process Upper Confident Bound (GP-UCB) algorithm to efficiently and adaptively select the calibration’s measurement points so as to minimize the number of experiments, and therefore minimize the time needed for recalibration. The method is demonstrated in simulation on a simple 2-DOF arm, a 6 DOF arm whose geometry is a candidate for a future NASA mission, and a 7 DOF Barrett WAM arm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google