Machine Learning-based Framework for Optimally Solving the Analytical Inverse Kinematics for Redundant Manipulators

要約

冗長マニピュレーターの解析的逆運動学 (IK) をリアルタイムで解くことは、ロボティクスでは困難な問題です。これは、特定のターゲット ポーズに対する解が一意ではないためです。
さらに、アプリケーション固有の要求に関して最適な IK ソリューションを選択すると、ロバスト性が向上し、マニピュレーターを現在の構成から目的のポーズに向けて駆動する際の成功率が向上します。
これは、特に飛行中のオブジェクトをキャッチするような高度に動的なタスクで必要です。
軌道計画のコンテキストで特定のターゲット ポーズの関節空間で適切なターゲット構成を計算するには、移動時間や操作性などのさまざまな要因を考慮する必要があります。
ただし、これらの要因により、問題全体の複雑さが増し、リアルタイムの実装が妨げられます。
この論文では、冗長ロボットの解析的逆運動学を計算するためのリアルタイム フレームワークが提示されます。
この目的のために、冗長マニピュレータの解析的 IK は、いわゆる冗長パラメータによってパラメータ化されます。これは、ターゲット ポーズと組み合わされて、固有の IK ソリューションを生成します。
文献のほとんどの既存の作業は、マニピュレーターの目的のポーズから IK のソリューションへの直接マッピングを近似するか、IK ソリューションを見つけるためにワークスペース全体をクラスター化しようとします。
対照的に、提案されたフレームワークは、操作性と現在のロボット構成への近さに関して最適な IK ソリューションを提供するニューラル ネットワーク (NN) を使用して、これらの冗長パラメーターを直接学習します。
モンテカルロ シミュレーションは、KUKA LBR iiwa 14 R820 での、正確でリアルタイム対応 ($\approx$ \SI{32}{\micro\second}) である提案されたアプローチの有効性を示しています。

要約(オリジナル)

Solving the analytical inverse kinematics (IK) of redundant manipulators in real time is a difficult problem in robotics since its solution for a given target pose is not unique. Moreover, choosing the optimal IK solution with respect to application-specific demands helps to improve the robustness and to increase the success rate when driving the manipulator from its current configuration towards a desired pose. This is necessary, especially in high-dynamic tasks like catching objects in mid-flights. To compute a suitable target configuration in the joint space for a given target pose in the trajectory planning context, various factors such as travel time or manipulability must be considered. However, these factors increase the complexity of the overall problem which impedes real-time implementation. In this paper, a real-time framework to compute the analytical inverse kinematics of a redundant robot is presented. To this end, the analytical IK of the redundant manipulator is parameterized by so-called redundancy parameters, which are combined with a target pose to yield a unique IK solution. Most existing works in the literature either try to approximate the direct mapping from the desired pose of the manipulator to the solution of the IK or cluster the entire workspace to find IK solutions. In contrast, the proposed framework directly learns these redundancy parameters by using a neural network (NN) that provides the optimal IK solution with respect to the manipulability and the closeness to the current robot configuration. Monte Carlo simulations show the effectiveness of the proposed approach which is accurate and real-time capable ($\approx$ \SI{32}{\micro\second}) on the KUKA LBR iiwa 14 R820.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google