Safe Machine-Learning-supported Model Predictive Force and Motion Control in Robotics

要約

人間とロボットの相互作用や壊れやすい物体の取り扱いなど、多くのロボット タスクでは、安全でありながら高性能な操作を実現するために、適切なモーション コントロールと共に、発生する力とモーメントの厳密な制御と制限が必要です。
変化する状況に適応しながら、確率的安全性の保証を提供する、学習支援モデル予測力および運動制御スキームを提案します。
ガウス過程は、ロボットの状態を力とモーメントにマッピングする不確実な関係を学習するために使用されます。
モデル予測コントローラーは、これらのガウス プロセス モデルを使用して、確率的制約を満たした状態で正確な運動と力の制御を実現します。
不確実性は静的モデル部分 (出力方程式) でのみ発生するため、計算効率の高い確率的 MPC 公式が使用されます。
最適制御問題の再帰的実行可能性の解析と、静的な不確実性の場合の閉ループ システムの収束を示します。
安全な操作を保証するために、確率制約の定式化とバックオフは、ガウス過程の分散に基づいて構築されます。
このアプローチは、シミュレーションと実験で軽量ロボットで説明されています。

要約(オリジナル)

Many robotic tasks, such as human-robot interactions or the handling of fragile objects, require tight control and limitation of appearing forces and moments alongside sensible motion control to achieve safe yet high-performance operation. We propose a learning-supported model predictive force and motion control scheme that provides stochastic safety guarantees while adapting to changing situations. Gaussian processes are used to learn the uncertain relations that map the robot’s states to the forces and moments. The model predictive controller uses these Gaussian process models to achieve precise motion and force control under stochastic constraint satisfaction. As the uncertainty only occurs in the static model parts — the output equations — a computationally efficient stochastic MPC formulation is used. Analysis of recursive feasibility of the optimal control problem and convergence of the closed loop system for the static uncertainty case are given. Chance constraint formulation and back-offs are constructed based on the variance of the Gaussian process to guarantee safe operation. The approach is illustrated on a lightweight robot in simulations and experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google